Функционирование нейронной сети Хемминга.

Основная идея функционирования сети Хемминга, состоит в минимизации расстояния Хемминга (см. Лекция 15), между тестовым вектором, подаваемым на вход нейросети и векторами обучающих выборок, которые закодированы в структуре сети.

Сеть Хемминга, по сравнению с сетью Хопфилда, характеризуется меньшими затратами на память и меньшим объёмом вычислений.

Процесс функционирования сети Хемминга состоит из 3 фаз:

Фаза 1: На вход сети Хемминга подаётся вектор , после предъявления этого вектора на выходах нейронов первого слоя, генерируются сигналы, которые задают начальные состояния нейронов 2 слоя.

Фаза 2: Инициировавшие 2 слой сигналы, удаляются. При этом, из сформированного ими начального состояния, запускается итерационный процесс внутри слоя MAXNET. Итерационный процесс завершается, когда все нейроны перейдут в нулевое состояние, кроме одного нейрона победителя, имеющего выходной сигнал = 1.

Нейрон победитель, с не нулевым сигналом, становится представителем класса данных, к которому принадлежит входной вектор

Фаза 3: Тот же нейрон победитель формирует на выходе нейронной сети, отклик в виде вектора , который соответствует возбуждающему вектору . Сеть должна выбрать образ с минимальным расстоянием Хемминга, до неизвестного входного сигнала, в результате чего будет активирован всего один выход сети соответствующий этому образу.

 

 

Следует отметить, что достоинство нейронной сети Хемминга, считается небольшое число связей между нейронами.

Пример:

100-входовая (n=100, x от 1 до 100) сеть Хопфилда, которая кодирует 10 различных векторных классов, должна содержать 10000 (W) взвешенных связей с настраиваемыми значениями весов. При построении аналогичной сети Хемминга, кол-во взвешенных связей = 1100, то есть 1000 весов находится в 1 слое, и 100 в слое MAXNET(во 2 слое).

 

Нейронные сети Хопфилда и Хемминга позволяют эффективно решить задачу воссоздания образов по неполной и искаженной информации. Однако они имеют невысокую ёмкость, то есть число запоминаемых образов. Это объясняется тем, что данные сети не просто запоминают образы, а позволяют проводить их обобщение.

Кроме программной реализации сетей Хопфилда и Хемминга, существуют аппаратурные реализации, на основе стандартных элементов микроэлектронной технологии.

Лёгкость построения программных и аппаратных моделей, способствует практическому применению этих нейронных сетей.