دانلود رایگان مقاله انگلیسی تجزیه شبکه های عصبی روتور هاپفیلد با استفاده از اعداد پیچیده - IEEE 2017

قیمت خرید این محصول

رایگان

دانلود مقاله انگلیسی سفارش ترجمه این مقاله

عنوان فارسی

تجزیه شبکه های عصبی روتور هاپفیلد با استفاده از اعداد پیچیده

عنوان انگلیسی

Decomposition of Rotor Hopfield Neural Networks Using Complex Numbers

صفحات مقاله فارسی

0

صفحات مقاله انگلیسی

5

سال انتشار

2017

نشریه

آی تریپل ای - IEEE

فرمت مقاله انگلیسی

PDF

نوع مقاله

ISI

پایگاه

اسکوپوس

کد محصول

E9512

رشته های مرتبط با این مقاله

مهندسی فناوری اطلاعات و کامپیوتر

گرایش های مرتبط با این مقاله

شبکه های کامپیوتری و هوش مصنوعی

مجله

یافته ها در حوضه شبکه های عصبی و سیستم های یادگیری- IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS

دانشگاه

Mathematical Science Center - University of Yamanashi - Japan

کلمات کلیدی

قانون یادگیری Hebbian، شبکه های عصبی روتور هاپفیلد (RHNN ها)، شبکه های عصبی هاپفیلد متقارن پیچیده (SCHNNs)، برآورد خطی گسترده

doi یا شناسه دیجیتال

https://doi.org/10.1109/TNNLS.2017.2657781

برای سفارش ترجمه این مقاله با کیفیت عالی و در کوتاه ترین زمان ممکن توسط مترجمین مجرب سایت ایران عرضه؛ روی دکمه سبز رنگ کلیک نمایید.

۰.۰ (بدون امتیاز)

امتیاز دهید

چکیده

Abstract

A complex-valued Hopfield neural network (CHNN) is a multistate model of a Hopfield neural network. It has the disadvantage of low noise tolerance. Meanwhile, a symmetric CHNN (SCHNN) is a modification of a CHNN that improves noise tolerance. Furthermore, a rotor Hopfield neural network (RHNN) is an extension of a CHNN. It has twice the storage capacity of CHNNs and SCHNNs, and much better noise tolerance than CHNNs, although it requires twice many connection parameters. In this brief, we investigate the relations between CHNN, SCHNN, and RHNN; an RHNN is uniquely decomposed into a CHNN and SCHNN. In addition, the Hebbian learning rule for RHNNs is decomposed into those for CHNNs and SCHNNs.

نتیجه گیری

CONCLUSION

This brief provides the unique decomposition of an RHNN into a CHNN and an SCHNN. This decomposition provides a new perspective on the RHNN, and could extend the strategy of learning algorithms. For example, it enables the corresponding CHNN and SCHNN to learn independently. The Hebbian learning rule for RHNNs is identical to the combination of those for CHNNs and SCHNNs. It is an important fact that the weighted sum input of the RHNN matches a widely linear estimation. We plan to study new learning algorithms utilizing the decomposition of RHNNs.

برچسب‌ها: دانلود رایگان مقالات انگلیسی مهندسی فناوری اطلاعات IT، دانلود رایگان مقالات انگلیسی مهندسی کامپیوتر، دانلود رایگان مقالات isi