Page Areas:



Current Submenu:


Position Indication:

Content

Selective association with associative memory model NEUNET

Student: Dipl.-Ing. Dr. Reinhard Stumptner
Supervisor: A.Univ.-Prof. Dr. Josef Küng
Second Reviewer: Univ.-Prof. Dr. Sepp Hochreiter
End: 15.11.2006

Abstract(DE)
Das Modell NEUNET (NEUronen NETz) wurde 1974 am Institut für Informatik der Johannes Kepler Universität Linz von Prof. Reichl entwickelt und 1975 publiziert.
Dieses neuronalnetzanaloge Assoziativspeichersystem ist in der Lage, Muster, die es von seinen Rezeptoren abliest, zu speichern und zu reproduzieren. Das Modell wurde laufend verbessert und NEUNET-3 war dabei die erste Weiterentwicklung, die Muster ohne Informationsverluste speichern konnte. Diese Arbeit beschreibt eine Erweiterung des Modells, als 'Selektives NEUNET' bezeichnet, die in der Lage ist, gestörte Eingabemuster mit gewichtet gespeicherten Originalmustern zu assoziieren. Das Netzwerk ist selbstlernend, die Korrektur von Eingaben, die Speicherung neuer Information und die Berechnung von Gewichten, die es dem Modell ermöglichen, Muster mit verschiedenen Prioritäten zu speichern, ist selbst-organisiert. Die Wichtigkeit von Information wird dabei erhöht, wenn sie häufig 'benutzt' wird und im Fall der Assoziation einer unbekannten Eingabe ist es wahrscheinlicher, dass diese mit einem Originalmuster mit hoher Priorität verknüpft wird. Diese neue Verwendung von Gewichten ist die Haupterweiterung im Zusammenhang mit dieser Arbeit. Zuvor wurde Information durch Erweiterung der Netzwerkstruktur gespeichert, nun können zusätzlich Gewichte angepasst werden. Dies verleiht dem Modell die Fähigkeit, aus einer großen Menge an Daten relevante Information zu extrahieren.

Abstract(EN)
The model NEUNET (NEUronen NETz) was developed in 1974 by Prof. Reichl at the Johannes Kepler University of Linz und publicized in 1975.
This neural-net-similar associative memory model NEUNET is able to store and reproduce patterns reading from its receptors. The model was improved continuously and NEUNET-3 was the first enhancement, which was able to store patterns without losses of information. This paper describes an enhancement of the model, termed 'Selective NEUNET', to associate faulty inputs with weighted original patterns. The network is self-learning, the correction of inputs, the storage of new information and the calculation of weights which enables the model to store information with various priorities is self-organized. The priority of information is increased if it is frequently used and in case of the association of unknown inputs it is more like to be associated with a high-priority original pattern. This usage of weights is the main enhancement of the model described in this contribution. Previously the network learned new information by enhancing its network-structure, now the weights can be adjusted in addition. It enables the model to separate important information from a huge amount of any data.