Artificial Adaptive Systems Using Auto Contractive Maps: Theory, Applications and Extensions

این کتاب مقدمه ای بر سیستم های تطبیقی ​​مصنوعی و یک مدل کلی از روابط بین داده ها و الگوریتم های مورد استفاده برای تجزیه و تحلیل آنها ارائه می دهد. متعاقباً شبکه‌های عصبی مصنوعی را به عنوان زیرمجموعه‌ای از سیستم‌های تطبیقی ​​مصنوعی توصیف می‌کند و الگوریتم پس انتشار را گزارش می‌کند، در حالی که ارتباط مهمی بین شبکه‌های عصبی مصنوعی نظارت شده و بدون نظارت را نیز شناسایی می‌کند.

تمرکز اصلی کتاب بر روی نقشه انقباضی خودکار است، یک شبکه عصبی مصنوعی بدون نظارت که از روش نقطه ثابت در مقابل به حداقل رساندن انرژی سنتی استفاده می‌کند. این یک ابزار قدرتمند برای درک، ارتباط و تبدیل داده ها است، همانطور که در مثال های متعدد ارائه شده در اینجا نشان داده شده است. یک نسخه نظارت شده از نقشه قرارداد خودکار نیز به عنوان روشی برجسته برای تشخیص ارقام و عیوب معرفی شده است. در پایان، کتاب خوانندگان را در تئوری و مثال‌هایی از نحوه استفاده از نقشه انقباض خودکار در ارتباط با شبکه عصبی مصنوعی دیگر، «اسپین‌نت» به‌عنوان شکلی پویا از حافظه خودکار تداعی می‌کند.

This book offers an introduction to artificial adaptive systems and a general model of the relationships between the data and algorithms used to analyze them. It subsequently describes artificial neural networks as a subclass of artificial adaptive systems, and reports on the backpropagation algorithm, while also identifying an important connection between supervised and unsupervised artificial neural networks.

The book’s primary focus is on the auto contractive map, an unsupervised artificial neural network employing a fixed point method versus traditional energy minimization. This is a powerful tool for understanding, associating and transforming data, as demonstrated in the numerous examples presented here. A supervised version of the auto contracting map is also introduced as an outstanding method for recognizing digits and defects. In closing, the book walks the readers through the theory and examples of how the auto contracting map can be used in conjunction with another artificial neural network, the “spin-net,” as a dynamic form of auto-associative memory.