Предлагается новый подход к ассоциативной памяти с использованием ядерных методов. Автором разработаны алгоритмы авто- и гетероассоциативной памяти с использованием ядерных систем на базе псевдоинверсной ассоциативной памяти. Данные алгоритмы способны к конвергенции в процессе экзамена памяти. Ядерный подход позволяет преодолеть ограничения на емкость памяти, свойственные сетям типа Хопфилда. Емкость памяти практически не зависит от размерности данных. Предлагаемые алгоритмы исследованы теоретически, доказаны их аттракторные свойства. Также проведена экспериментальная проверка на задачах классификации и ассоциативного поиска. Табл.: 1. Ил.: 5. Библиогр.: 8 назв.
Запропоновано новий підхід до асоціативної пам'яті з використанням ядерних методів. Автором розроблено алгоритми гетеро- і автоасоціативної пам'яті з використанням ядерних систем на базі псевдоінверсної пам'яті. Такі алгоритми здатні до конвергенції у процесі екзамену пам'яті. Ядерний підхід дозволяє подолати обмеження на ємність пам’яті, притаманні мережам типу Хопфілда. Ємність пам'яті практично не залежить від розмірності даних. Пропоновані алгоритми досліджено теоретично, доведено їх атракторні властивості. Також проведено експериментальну перевірку на задачах клаcифікації та асоціативного пошуку. Табл.: 1. Iл.: 5. Бiблiогр.: 8 назв.
We propose a new approach to associative memories using kernel machine methodology. Basing on Hopfield-type pseudoinverse associative memories we developed a series of kernel-based hetero- and auto-associative algorithms. There are convergence processes during examination procedures even for continuous data. Kernel approach enables to overcome capacity limitations inherent to Hopfield-type networks. Memory's capacity does not virtually depend on data dimension. We provide theoretical investigation for proposed methods and proved its attraction properties. Also we have experimentally tested them for tasks of classification and associative retrieval. Tabl.: 1. Figs.: 5. Refs.: 8 titles.
