IL PROCESSO DI MEMORIZZAZIONE DESCRITTO MEDIANTE IL MODELLO NEURONALE DI HOPFIELD
Abstract
In questi ultimi anni il ccn'ello c la sua attivita‘ sono al centro degli
studi di scienziati e ricercatori di diverse discipline. Anche i matematici
sono intenti nello studio di modelli che simulino l'attivita' cerebrale e aiutino
a capire, almeno in parte i meccanismi che la regolano.
Sicuramente tra le capacita‘ piu' interessanti del cervello c’e’ quella
di apprendere, di imparare cioe' dagli errori e dall'esperienza. Non
secondaria e' poi la capacita' di memorizzare un'immagine, un odore o un
suono e riconoscerlo sotto particolari stimoli. Nessun computer. finora
esistente, riesce a memorizzare un numero di informazioni prossimo a
quello che e' capace di contenere il cervello c soprattutto a gestire tutti i dati
a sua disposizione in tempi brevissimi.
In questo lavoro viene presentato il modello di Hopfield. come
esempio di schematizzazione dell'attivita' neuronale. con particolare
riferimento al processo di memorizzazione.
L'importanza che i modelli neuronali. ottenuti come
generalizzazioni di quello di Hopficld. hanno nella ricerca ed in particolare
nella ricerca informatica e' dovuta al fatto che essi rappresentano un esempio
di memoria associativa. Un tipo di memoria in cui. a partire da
un’informazione parziale, mediante una dinamica propria della rete
neuronale, si arriva all'informazione totale.
Il vantaggio di una memoria associativa rispcllo ad una memoria ad
indirizzi sia nel fatto che una volta data in input l'informazione parziale si
arriva all'informazione totale mediante la dinamica della rete. Non e'
necessario un continuo confronto tra memoria centrale e disco su cui sono
contenute le informazioni con notevole risparmio di tempo.
Full Text:
PDFReferences
J. HOPFIELD, Proceedings of the NationalAc-aclemy of Science , USA Vol 79, pp 2554-2558 , Biophysics, Aprile 1982
B.TIROZZl e S.DORIA, Highly Diluted Asymmetrical Neural Networks, Alli dcl Convegno "Sthocastie Process- Geometry and Physic" Locarno. Svizzera, 1991.
D. AMIT. A. Modelling Brian Function: the world of attractor neural network, N.Y. Cambridge University Press ads. 1989.
A. MATURO, Numeri pseudacasualii, Libreria dell'Università Editrice Pescara, 1989
C .CIARLANTE, S.DORIA e A.MATURO. Glicine: suo tropismo e sua intelligenza, Atti del Convegno Nazionale " Protezione delle culture: osservazioni, previsioni. decisioni" Pescara. 1993.
Refbacks
- There are currently no refbacks.
Copyright (c) 1994 Franco Eugeni
This work is licensed under a Creative Commons Attribution 4.0 International License.
Ratio Mathematica - Journal of Mathematics, Statistics, and Applications. ISSN 1592-7415; e-ISSN 2282-8214.