ANN – 双向联想记忆 (BAM)

双向联想记忆（BAM）是人工神经网络中的一种监督学习模型。这是异源关联内存，对于输入模式，它返回另一个可能具有不同大小的模式。这种现象与人脑非常相似。人类的记忆必然是联想的。它使用一系列心理关联来恢复丢失的记忆，例如面孔与姓名的关联，考试问题与答案的关联等。
在一种类型的对象与另一种类型的记忆关联中，需要循环神经网络 (RNN) 来接收一组神经元的模式作为输入，并生成另一组神经元的相关但不同的输出模式。

为什么需要营商事工？
引入这种网络模型的主要目的是存储异关联模式对。
这用于检索给定噪声或不完整模式的模式。

BAM架构：
当 BAM 接受来自集合A的 n维向量X的输入时，模型会从集合B 中调用 m维向量Y 。类似地，当Y被视为输入时，BAM 会调用X。

算法：

1. 存储（学习）：在 BAM 的这个学习步骤中，在 M 对模式（基本记忆）之间计算权重矩阵，按照等式存储在网络的突触权重中$$W=\sum_{m=1}^{M} X_{m} Y_{m}^{T}$$
2. 测试：我们必须检查 BAM 是否完美回忆$$Y_{m}$$对于相应的$$X_{m}$$并回忆起$$X_{m}$$对于相应的$$Y_{m}$$ .使用，

       $\[Y_{m}=\operatorname{sign}\left(W^{T} X_{m}\right), \quad m=1.2, \ldots, M\]\[X_{m}=\operatorname{sign}\left(W Y_{m}\right), \quad m=1.2, \ldots, M\]$

   
   
   
   

   应相应地召回所有对。

3. 检索：对于未知向量X （来自集合 A或B的模式的损坏或不完整版本）到 BAM 并检索先前存储的关联：
   $X \neq X_{m}, \quad m=\mathbf{1}, \mathbf{2}, \ldots, M$
   • 初始化 BAM：

         $\[X(0)=X, \quad p=0\]$

   • 计算迭代时的 BAM 输出$$p$$ ：

         $\[Y(p)=\operatorname{sign}\left[W^{T} X(p)\right]\]$

   • 更新输入向量$$X(p)$$ ：

         $\[X(p+1)=\operatorname{sign}[W Y(p)]\]$

   • 重复迭代直到收敛，此时输入和输出保持不变。

BAM 的局限性：

• BAM 的存储容量：在 BAM 中，存储的关联数量不应超过较小层中的神经元数量。
• 不正确的收敛： BAM 可能不会产生最接近的关联。