I. Cải tiến quá trình học
Luận án tập trung vào cải tiến quá trình học của các mạng nơron ghi nhớ, đặc biệt là BAM, FAM, và Fuzzy ART. Mục tiêu chính là nâng cao hiệu suất học tập và khả năng nhớ lại của các mô hình này. Các cải tiến bao gồm việc tối ưu hóa thuật toán học, điều chỉnh trọng số kết nối, và cải thiện quá trình học nhiều lần. Những thay đổi này giúp các mô hình xử lý dữ liệu phức tạp hiệu quả hơn, đặc biệt trong các ứng dụng phân tích dữ liệu và học máy.
1.1. Tối ưu hóa thuật toán học
Luận án đề xuất các thuật toán học mới để cải thiện quá trình học của BAM. Cụ thể, thuật toán học nhanh và linh động giúp BAM học hiệu quả hơn với thời gian ngắn hơn. Các thử nghiệm trên dữ liệu nhận dạng vân tay và chữ viết tay cho thấy khả năng nhớ lại được cải thiện đáng kể. Thuật toán này cũng giúp BAM xử lý các mẫu dữ liệu phức tạp với độ chính xác cao hơn.
1.2. Điều chỉnh trọng số kết nối
Một trong những vấn đề chính của BAM là việc gắn trọng số cho các cặp mẫu huấn luyện chưa hiệu quả. Luận án đề xuất phương pháp xác định trọng số thích hợp cho từng cặp mẫu, giúp BAM học nhanh hơn và linh hoạt hơn. Kết quả thực nghiệm cho thấy BAM cải tiến có khả năng nhớ lại tốt hơn so với các mô hình truyền thống.
II. Mạng nơron ghi nhớ
Luận án nghiên cứu sâu về các mạng nơron ghi nhớ, bao gồm BAM, FAM, và Fuzzy ART. Các mô hình này được sử dụng rộng rãi trong các ứng dụng học sâu và học máy nhờ khả năng ghi nhớ và phục hồi dữ liệu hiệu quả. Luận án phân tích các ưu điểm và hạn chế của từng mô hình, đồng thời đề xuất các cải tiến để nâng cao hiệu suất học tập và khả năng nhớ lại.
2.1. Bộ nhớ liên kết hai chiều BAM
BAM là một trong những mô hình mạng nơron ghi nhớ phổ biến, được sử dụng để nhớ lại các mẫu dữ liệu từ các mẫu vào bị hỏng. Luận án đề xuất các cải tiến trong quá trình học của BAM, giúp mô hình này học nhanh hơn và linh hoạt hơn. Các thử nghiệm trên dữ liệu nhận dạng vân tay và chữ viết tay cho thấy khả năng nhớ lại được cải thiện đáng kể.
2.2. Bộ nhớ liên kết mờ FAM
FAM là mô hình mạng nơron ghi nhớ sử dụng logic mờ để xử lý dữ liệu. Luận án đề xuất luật học cải tiến giúp FAM học và lưu trữ hiệu quả đồng thời cả nội dung và sự liên kết giữa các cặp mẫu. Các thử nghiệm trên dữ liệu Corel và các số cho thấy FAM cải tiến có khả năng nhớ lại tốt hơn so với các mô hình truyền thống.
III. Ứng dụng mạng nơron
Luận án không chỉ tập trung vào cải tiến quá trình học mà còn khám phá các ứng dụng thực tế của các mạng nơron ghi nhớ. Các mô hình BAM, FAM, và Fuzzy ART được áp dụng trong các bài toán phân tích dữ liệu, nhận dạng mẫu, và học tự động. Kết quả thực nghiệm cho thấy các mô hình cải tiến có hiệu suất cao hơn trong các ứng dụng thực tế.
3.1. Nhận dạng mẫu
Các mô hình mạng nơron ghi nhớ được áp dụng trong các bài toán nhận dạng mẫu, bao gồm nhận dạng vân tay, chữ viết tay, và biển hiệu giao thông. Các thử nghiệm cho thấy BAM và FAM cải tiến có khả năng nhớ lại tốt hơn so với các mô hình truyền thống, đặc biệt trong các tình huống dữ liệu bị nhiễu.
3.2. Phân tích dữ liệu
Luận án cũng khám phá ứng dụng của các mạng nơron ghi nhớ trong phân tích dữ liệu. Các mô hình Fuzzy ART được sử dụng để phân cụm dữ liệu, với kết quả cho thấy khả năng phân cụm được cải thiện đáng kể so với các phương pháp truyền thống.
