تحليل جاذب‌ها در شبكه‌هاي عصبي خود انجمني و كاربرد آن در آناليز تصاوير چهره

Attractor Analysis in Associative Neural Networks and its Application to Facial Image Analysis

شبكه‌هاي عصبي خود انجمني بالقوه امكان به‌كارگيري براي پردازش و هنجار سازي غيرخطي داده‌ها را در خود دارند؛ زيرا نخست، به يادگيري و شبيه‌سازي ارتباطات غيرخطي پيچيده قادرند و دوم، اين ارتباطات را با تجزيه و گسترده‌سازي اطلاعات روي نورون‌ها و وزن‌ها و سپس تركيب نتايج پردازش آنها به انجام مي‌رسانند و از اين طريق روي اطلاعات ورودي و ارتباطات مابين آنها عملاً درون‌يابي انجام مي‌دهند. ايراد اين شبكه‌ها اين است كه نمي‌توانند رفتار جاذب‌گونه را توضيح دهند كه يكي از واضح‌ترين عملكردهاي مغز است. در اين مقاله با برقراري اتصال بازگشتي در ساختار اين شبكه‌ها، قابليت رفتار جاذب‌گونه نيز به آنها افزوده شده است. تحليل‌هاي انجام‌شده در اين راستا نشان داد براي يك نورون با تابع غير خطي تانژانت هيپرپوليك، با برقراري اين اتصال بازگشتي، همواره در محل نمونة تعليم داده شده و قرينة آن دو جاذب ايجاد مي‌شود؛ اما در صورتي كه تابع غير خطي، سيگموئيد باشد براي محدودة خاصي جاذب تشكيل مي‌شود. در آزمايشات روي تصاوير چهره نشان داده شد با افزايش تعداد لايه‌هاي شبكة خود انجمني، قابليت ذخيرة تصاوير بيشتري فراهم مي‌شود؛ به‌طوري كه با پيش‌تعليم لايه‌ به‌ لايه باسرپرست، به‌منظور جهت‌دهي به نحوة تشكيل جاذب‌ها، ميزان جذب تصاوير به جاذب‌هايي با حالت مشابه از 52/67% به 87/57% بهبود يافت.

Autoassociative neural networks can be used for nonlinear processing and normalization of data. Because, firstly, they are able to learn and simulate complex nonlinear communications, and secondly, the communications can be learned through analyzing and distributing information on the neurons and weights and then combining the results of their processing. In this way, they actually make an interpolation between the input data and their communications. But these neural networks cannot model attractor dynamics that is obviously used in brain function. In this paper, the output of autoassociative neural network is connected to its input, and through recursive connections the ability of attractor behavior in these models is provided. This study showed that a recursive neuron with a logistic function forms two attractors, in its training point and its symmetry, but for it with a sigmoid nonlinear function can be formed an attractor in a certain range. In the experiments on face images, it was shown that the absorbance of the images to their attractors was improved from 52.67% to 87.27% by increasing the number of layers and the supervised layer-by-layer pre-training in order to adjust the attractors.