La red neuronal de Kosko , la memoria asociativa bidireccional ( BDA ) es una red neuronal desarrollada por Bart Kosko . Esta es una red neuronal de retroalimentación basada en dos ideas: la teoría de la resonancia adaptativa de Stefan Grosberg y la memoria autoasociativa de .
DAP es heteroasociativo : un vector de entrada se alimenta a un conjunto de neuronas y un vector de salida correspondiente se produce en otro conjunto de neuronas. Al igual que la red de Hopfield, el DAP es capaz de generalizar, produciendo respuestas correctas a pesar de las entradas distorsionadas. Además, se pueden implementar versiones adaptativas del DAP que extraen la imagen de referencia de instancias ruidosas. Estas capacidades se parecen mucho al proceso del pensamiento humano y permiten que las redes neuronales artificiales den un paso hacia la simulación del cerebro.
La red consta de dos capas de elementos, entre los cuales hay enlaces bidireccionales conectados a los elementos según el principio de todos con todos. Por lo tanto, se puede usar una matriz de pesos para describir la red. En el caso de que esta matriz sea cuadrada y simétrica, el DAP se convierte en una red de Hopfield autoasociativa.
Cuando se aplica una señal ruidosa a la entrada de la red, la transmisión de señales dentro del DAP tarda mucho hasta que la red encuentra el estándar más cercano (asociación) en el que se entrenó previamente. Este proceso puede interpretarse como recuerdo y estabilización de la memoria.
Los DAP asincrónicos continuos rechazan la sincronicidad y la discontinuidad, pero funcionan de la misma manera que las versiones discretas.
En un DAP sincrónico, las neuronas formales en las capas 1 y 2 son sincrónicas, es decir, cada neurona tiene una memoria y todas las neuronas cambian de estado simultáneamente. En un sistema asíncrono, cualquier neurona es libre de cambiar de estado en cualquier momento que su entrada le indique que lo haga.
Al determinar la función de activación de una neurona, se utilizó un umbral simple, formando así una discontinuidad en la función de transferencia de las neuronas. En este punto, se conoce el método de retropropagación, por lo que es posible crear una modificación continua del DAP. Se ha demostrado que el sigmoide es capaz de amplificar señales de bajo nivel mientras comprime el rango dinámico de las neuronas. Un DAP continuo puede tener una función sigmoidea con un valor de l cercano a uno, formando así neuronas con una respuesta suave y continua.
Un DAP adaptativo cambia sus pesos durante la operación. Esto significa que el suministro de un conjunto de entrenamiento de vectores de entrada a la entrada de la red hace que cambie el estado de energía hasta que se obtenga la resonancia. Gradualmente, la memoria a corto plazo se convierte en memoria a largo plazo, sintonizando la red como resultado de su funcionamiento. Durante el proceso de aprendizaje, los vectores se alimentan a la capa A y los vectores asociados a la capa B. Uno de ellos o ambos vectores pueden ser versiones ruidosas de la plantilla; la red se entrena sobre los vectores originales libres de ruido. En este caso, extrae la esencia de las asociaciones aprendiendo de los estándares, aunque "vio" solo aproximaciones ruidosas.
En muchos sistemas neuronales en competencia se observa algún tipo de competencia entre neuronas. En las neuronas que procesan las señales de la retina, la inhibición lateral conduce a un aumento de la producción de las neuronas más activas a expensas de las vecinas. Dichos sistemas aumentan el contraste elevando el nivel de actividad de las neuronas conectadas al área brillante de la retina, mientras que al mismo tiempo atenúan aún más las salidas de las neuronas conectadas a las áreas oscuras.
En DAP, la competencia se realiza mediante la conexión mutua de neuronas dentro de cada capa a través de conexiones adicionales. Los pesos de estos enlaces forman otra matriz de pesos con valores positivos de los elementos de la diagonal principal y valores negativos del resto de elementos.
| Tipos de redes neuronales artificiales | |
|---|---|
| |