提高振荡神经网络关联记忆信息容量的方法：利用高阶同步效应
摘要：使用计算模型对具有热耦合$VO\_2$开关的两个和三个振荡器方案进行建模，以演示基于高阶同步效应的脉冲振荡器神经网络（ONN）中的模式存储和识别的新方法。该方法确保了关联记忆的高信息容量，即大量同步状态$N\_s$。系统中的每个状态都以所谓的同步阶次来描述，该阶次由共同同步频率的谐波数比确定。建模结果表明，在三振荡器方案$N\_s$~650和两个振荡器方案$N\_s$~260中都可实现几个阶次的$N\_s$。获得了一些规律性结果，特别是揭示了当$N\_s$达到最大时，振荡器耦合强度最优。当耦合强度和开关内部噪声幅度增加时，显示了信息容量减少的普遍趋势。提出了一种模式存储和测试向量识别的算法。还显示，每个向量中的坐标数应比开关数少一个，以降低识别的歧义性。演示的关联记忆实现方法是通用的，可以应用于具有各种机制和振荡器耦合拓扑的ONN中。
作者：Andrei Velichko, Maksim Belyaev, Vadim Putrolaynen, Petr Boriskov
论文ID：1805.08737
分类：Adaptation and Self-Organizing Systems
分类简称：nlin.AO
提交时间：2018-10-25