Нейронная сеть, использующая скалярное произведение и определяющая несколько решений

Abstract

Нейронная сеть Хемминга является весьма эффективным инструментом для решения задач распознавания дискретных объектов, двоичные компоненты которых описываются с помощью биполярных компонент, а в качестве меры близости используется разность между числом одинаковых биполярных компонент векторов и расстоянием Хемминга между ними. Для более тонкой классификации двоичных объектов (векторов) применяется ряд расширений расстояния Хемминга, использующих различные функции аффинности (близости или взаимосвязи) между двоичными объектами. В статье предлагаются модификации нейронной сети Хемминга, в которых вместо расстояния Хемминга предлагаются другие функции аффинности между двоичными векторами.

The Hamming neural network is a very effective tool for solving discrete object recognition problems, the binary components of which are described using bipolar components, and the difference between the number of identical bipolar components of the vectors and the Hamming distance between them is used as a proximity measure. For a finer classification of binary objects (vectors), a number of Hamming distance extensions are used, using various affinity functions (proximity or interconnection) between binary objects. The article proposes modifications of the Hamming neural network, in which instead of the Hamming distance, other affinity functions between binary vectors are proposed.