Adaptive Learning Based on Bit-Significance Optimization with Hebbian Learning Rule and Its Electro-Optic Implementation

Hebb의 학습 법칙과 화소당 가중치 최소화 기법에 의한 적응학습 및 그의 전기광학적 구현

Introducing and optimizing bit-significance to the Hopfield model, ten highly correlated binary images, i.e., numbers "0" to "9", are successfully stored and retrieved in a $6{}8$ node system. Unlike many other neural network models, this model has stronger error correction capability for correlated images such as "6","8","3", and "9". The bit significance optimization is regarded as an adaptive learning process based on least-mean-square error algorithm, and may be implemented with Widrow-Hoff neural nets optimizer. A design for electro-optic implementation including the adaptive optimization networks is also introduced.

Hopfield 모델에 화소당 가주치를 도입하고 이를 최적화하여, 서로간에 상관관계가 높은 "0"에서 "9"까지의 10가지 숫자를 성공적으로 기억, 재생시킬 수 있는 $6{}8$ nodes 연상기억 시스템을 소개한다. 다른 많은 신경회로와는 달리, 이 모델은 "6","8","3","9"와 같이 상관관계가 매우 큰 영상에 대해서도 높은 오차 교정 능력을 가짐을 볼 수 있다. 화소당 가중치의 최적화 무제는 최소자승평균 오차 알고리듬에 기초한 적응학습 과정으로 볼 수 있으며, 이는 또한 Widrow-Hoff 신경회로로 구현 할 수 있다. 가중치 최적화 회로의 전기 . 광학적 구현을 위한 설계도 소개한다.