सूचना प्रौद्योगिकी और सॉफ्टवेयर इंजीनियरिंग जर्नल
खुला एक्सेस

अमूर्त

आवर्तक तंत्रिका नेटवर्क: सहयोगी स्मृति और अनुकूलन

के.एल.डू

फीडबैक कनेक्शन के कारण, आवर्तक तंत्रिका नेटवर्क (RNN) गतिशील मॉडल हैं। फीडफॉरवर्ड न्यूरल नेटवर्क (FNN) की तुलना में RNN गतिशील प्रणालियों को अनुमानित करने के लिए अधिक कॉम्पैक्ट संरचना प्रदान कर सकते हैं। हॉपफील्ड मॉडल और बोल्ट्जमैन मशीन जैसे कुछ RNN मॉडल के लिए, गतिशील प्रणालियों की निश्चित-बिंदु संपत्ति का उपयोग अनुकूलन और सहयोगी स्मृति के लिए किया जा सकता है। हॉपफील्ड मॉडल सबसे महत्वपूर्ण RNN मॉडल है, और बोल्ट्जमैन मशीन के साथ-साथ कुछ अन्य स्टोकेस्टिक डायनेमिक मॉडल इसके सामान्यीकरण के रूप में प्रस्तावित हैं। ये मॉडल विशेष रूप से कॉम्बिनेटरियल ऑप्टिमाइज़ेशन समस्याओं (COP) से निपटने के लिए उपयोगी हैं, जो कुख्यात NPcomplete समस्याएँ हैं। इस पत्र में, हम इन RNN मॉडल, उनके सीखने के एल्गोरिदम के साथ-साथ उनके एनालॉग कार्यान्वयन के लिए एक अत्याधुनिक परिचय प्रदान करते हैं। सहयोगी स्मृति, COP, सिम्युलेटेड एनीलिंग (SA), अराजक तंत्रिका नेटवर्क और बहुस्तरीय हॉपफील्ड मॉडल भी इस पत्र में शामिल महत्वपूर्ण विषय हैं।