Architecture and Algorithms of Neural Networks Hamming and Hebb, Capable Learn and Identify New Information

Abstract

Решена задача дообучения классических дискретных нейронных сетей Хемминга и Хебба без потерь запомненной ранее информации. Объектом исследования являются процессы распознавания и классификации образов в системах, построенных на основе искусственных нейронных сетей. Предметом исследования являются архитектуры и алгоритмы функционирования искусственных нейронных сетей. Цель работы: разработка стабильно-пластичных нейронных сетей Хемминга и Хебба. Разработаны архитектуры и алгоритмы функционирования дискретных стабильно-пластичных нейронных сетей Хемминга и Хебба, которые не только могут дообучаться в процессе функционирования, но и распознавать новую информацию. Новые сети могут стать альтернативой дискретным нейронным сетям адаптивной резонансной теории. Разработанный подход по дообучению может быть обобщен и на другие нейронные сети. Проведены экспериментальные исследования разработанных алгоритмов функционирования искусственных нейронных сетей. Результаты экспериментов подтверждают правильность предложенного подхода. Ключевые слова: распознавание и классификация образов, стабильно-пластичные нейронные сети, нейронная сеть Хемминга, нейронная сеть Хебба, адаптивная резонансная теория.

Possibi¬lities of Using Neural Network Incremental Learning

“…Специальное запоминание этого образа в последнем случае не требуется. Таким образом, такое восприятие одновременно пластично, адаптировано к новой информации, и при этом оно стабильно, то есть не разрушает память о старых образах [14].…”