طراحی یک شبکه عصبی هاپفیلد ممریستوری بهبودیافته با جاذبهای آشوبناک برای بهینه سازی الگوهای حافظه در مسائل پیچیده

شبکه های عصبی هاپفیلد به دلیل توانایی در ذخیره سازی و بازیابی الگوهای حافظه انجمنی، در مسائل بهینه سازی و تشخیص الگو کاربرد گستردهای دارند. با این حال، محدودیت هایی نظیر ظرفیت حافظه پایین و ناپایداری جاذبها در برابر نویز، کارایی آنها را کاهش داده است. این پژوهش یک الگوریتم یادگیری ترکیبی مبتنی بر دینامیکهای آشوبناک برای شبکه های عصبی هاپفیلد ممریستوری پیشنهاد میکند. این روش با تنظیم پویای مقاومتهای ممریستوری از طریق نقشه لجستیک، ظرفیت حافظه را تا ۷۰ الگو با نرخ موفقیت بیش از ۷۵٪ افزایش داده و خطای بازسازی الگوها را از ۸۸.۰٪ به ۰.۱٪ در ۱۰ تکرار کاهش میدهد. شبیه سازیهای انجام شده برتری روش پیشنهادی را نسبت به روشهای سنتی و ممریستوری موجود نشان میدهد. این رویکرد برای کاربردهایی مانند پردازش تصویر، تشخیص الگوهای نویزی و بهینه سازی ترکیبی مناسب است.

کلیدواژه ها:

جاذبهای آشوبناک ، شبکه های عصبی هاپفیلد ، ممریستور ، نقشه لجستیک