神经网络（带有杰夫·希顿（Jeff Heaton）的Encog）以模仿计算机记忆

Question

我想使用Jeff Heaton的Encog神经网络库模仿计算机内存。我只是不知道使用哪种方法。

我的要求是，有一个内存位置和值的字节集合。

location [0000]:byte-data[0101010]
location [0001]:byte-data[0101010]

这些是我传递给神经网络系统的值。

我试图避免每次内存数据变化时都会重新训练神经网络。但这也许就是我需要做的。

您将使用哪些神经网络技术来完成我要做的事情？

Answer 1

您想做的不是神经网络的问题真的很棒，因为它们擅长概括模式而不是学习它们。但是，您也许可以通过概率神经网络或常规感知来实现这一目标。您对自己的问题有些模糊，所以我必须对我的答案感到模糊。我将假设您的意思是您传递内存数据，然后将其“分类”到一个内存地址。这样，当您使用监督培训方法训练网络时，您将能够传递与现有项目相似或相同的内存数据，并且网络将为您提供地址。我想您也可以做同样的事情。

如果您使用概率神经网络，则本质上将学习您传递给网络的每种模式。当然，每当您要存储一个新的内存地址时，您都会向网络添加一个新节点，这使情况有些低效。已经完成了减少这个问题的工作， 例如，本文 （您必须自己实施算法）。也许这种类型的网络在准确地“记住”内存时最可靠，同时仍然能够概括结果（使用概率）。不利的一面是，它将是记忆密集型的。

传统的前馈，反向普遍网络（perceptrons）也应该让您做类似的事情。但是，您必须小心地创建足够的隐藏节点，以使网络正确回忆您的所有输入值。当然，这样做会导致拟合，但听起来您不想概括输入数据，您希望更好地回忆模式。

为了解决学习新数据的问题，您只需要使网络能够随着时间的推移而不是学习一次。您必须进行更多的研究，但是您需要使用某种在线学习算法。

总之，不要使用神经网络，使用其他类型的算法：P

Answer 2

这 Hopfield神经网络 是实现关联内存的简单方法。方便地，它甚至由Encog框架支持。

Answer 3

不要太无技术，但是我很确定一系列连接的循环会产生记忆。

每个循环将允许数据圆圈，并且下面的每个循环都可以识别，检索或修改内存。

当然，我不确定您如何吸引网络合并该设计。