تحلیل جاذب‌ها در شبکه‌های عصبی خودانجمنی و کاربرد آن در آنالیز تصاویر چهره

شبکه‌های عصبی خودانجمنی بالقوه امکان به‌کارگیری برای پردازش و هنجارسازی غیرخطی داده‌ها را در خود دارند؛ زیرا نخست، به یادگیری و شبیه‌سازی ارتباطات غیرخطی پیچیده قادرند و دوم، این ارتباطات را با تجزیه و گسترده‌سازی اطلاعات روی نورون‌ها و وزن‌ها و سپس ترکیب نتایج پردازش آنها به انجام می‌رسانند و از این طریق روی اطلاعات ورودی و ارتباطات مابین آنها عملاً درون‌یابی انجام می‌دهند. ایراد این شبکه‌ها این است که نمی‌توانند رفتار جاذب‌گونه را توضیح دهند که یکی از واضح‌ترین عملکردهای مغز است. در این مقاله با برقراری اتصال بازگشتی در ساختار این شبکه‌ها، قابلیت رفتار جاذب‌گونه نیز به آنها افزوده شده است. تحلیل‌های انجام‌شده در این راستا نشان داد برای یک نورون با تابع غیرخطی تانژانت هیپرپولیک، با برقراری این اتصال بازگشتی، همواره در محل نمونه تعلیم داده شده و قرینه آن دو جاذب ایجاد می‌شود؛ اما در صورتی که تابع غیرخطی، سیگموئید باشد برای محدوده خاصی جاذب تشکیل می‌شود. در آزمایشات روی تصاویر چهره نشان داده شد با افزایش تعداد لایه‌های شبکه خودانجمنی، قابلیت ذخیره تصاویر بیشتری فراهم می‌شود؛ به‌طوری که با پیش‌تعلیم لایه‌به‌لایه باسرپرست، به‌منظور جهت‌دهی به نحوه تشکیل جاذب‌ها، میزان جذب تصاویر به جاذب‌هایی با حالت مشابه از 67/ 52% به 27/ 87% بهبود یافت.