Lineární autoasociativní paměť

Ortogonální projekce poškozeného vzoru do nadroviny generované nepoškozenými vzory.

Lineární autoasociativní paměť , anglicky značeno Linear (Auto-)Associative Memory (LAM), je jednovrstvá umělá neuronová síť s plně vzájemně propojenými neurony (včetně vazby neuronu se sebou samým) s lineární přenosovou funkcí, sloužící k filtraci šumu, pracující jako autoasociativní paměť, do které se ve fázi učení (učení bez učitele) uloží vzory obsažené v trénovacích datech. Tyto vzory (nebo jejich kombinace), pokud se částečně poškodí a síti znovu předloží, tentokrát ve fázi vybavování, dokáže síť opravit.

Princip

Alternující projekce mezi nadrovinou generovanou učícími vzory a posunutím nadroviny vektorů s nepoškozenými složkami.

Během vybavování uloženého vzoru (nebo jejich kombinace) z paměti probíhá v síti rekurentní proces, tj. stavy sítě dvěma vzájemně alternujícími ortogonálními projekcemi konvergují k cílovému stavu, kde se nalézá opravený vzor (nebo jejich kombinace). Jako první proběhne ortogonální projekce výchozího stavu sítě do nadroviny generované lineárně nezávislými vzory obsaženými v trénovacích datech. Pokud se poškodí pouze některé složky vzoru (nebo jejich lineární kombinace) a ostatní složky zůstanou nepoškozeny, pak uvedená ortogonální projekce výchozího stavu sítě přepíše i složky nepoškozené, což není žádoucí.

Tento problém eliminujeme tak, že v případě, že poznáme, které složky se poškodily a které nikoli, přepsané hodnoty na pozicích nepoškozených složek nahradíme původními správnými hodnotami (druhá ortogonální projekce stavu sítě do lineárního posunutí další nadroviny), tím ale vychýlíme stav sítě z původní nadroviny, v které výsledný stav sítě chceme mít, proto celý proces znovu a znovu cyklicky opakujeme, dokud nedocílíme plus minus původních hodnot na pozicích nepoškozených složek (v rámci zadané povolené odchylky) a současně výsledný stav sítě bude ležet v nadrovině generované vzory z trénovacích dat. Tato rekurentní lineární autoasociativní paměť se někdy značí jako Lineární extrapolační paměť.

Užití

Trénovací data nesmí obsahovat příliš velké množství lineárně nezávislých vzorů, neboť by pak jimi generovaná nadrovina pokryla téměř celý prostor možných výchozích stavů sítě a oprava poškození vzoru (nebo jejich kombinace) by pak neproběhla, kapacita paměti sítě je tak omezena. Lineárně nezávislé vzory před vlastním uložením do paměti (učením) sítě projdou tzv. ortonormalizačním procesem. Představují-li vzory např. dvourozměrné obrazce vhodně zvoleného rastru, pak jejich ortogonalita představuje vzájemnou rozlišitelnost obrazců a normalita zabezpečuje stejný průměrný jas, síť pak filtruje poškození obrazců.

Související články

• Hopfieldova síť
• Bidirektní asociativní paměť

Externí odkazy

• [1] Umělé neuronové sítě
• Linear Autoassociative Memory