Evolutionary associative memories through genetic programming

• Autores: J. Villegas Cortez, J.H. Sossa, C. Avilés-Cruz, Gustavo Olague
• Localización: Revista Mexicana de Física, ISSN-e 0035-001X, Vol. 57, Nº. 2, 2011, págs. 110-116
• Idioma: inglés
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Las memorias asociativas (AMs) son estructuras matemáticas específicamente diseñadas para recuperar patrones de entrada con patrones de salida. Cada par asociado (entrada-salida) forma una asociación, es así que la AM almacena las asociaciones entre los pares. Desde sus orígenes las AMs han sido diseñadas manualmente, y durante los últimos 50 años se han reportado un aproximado de 26 modelos de AMs con sus variantes. En este trabajo mostramos un nuevo modelo de AMs que es generado de forma automática por medio de Programación Genética. Este trabajo abre una nueva área de investigación que permite por primera vez sintetizar nuevas AMs para resolver problemas específicos. Para probar la eficiencia de nuestra propuesta la hemos aplicado para los casos de patrones en valores binarios y reales. Los experimentos muestran que es posible la generación automática de AMs para alcanzar buenos resultados para algunos problemas comunes del área de reconocimiento de patrones.

  • English

    Associative Memories (AMs) are useful devices designed to recall output patterns from input patterns. Each input-output pair froms an association. Thus, AMs store associations among pairs of patterns. An important feature is that since its origins AMs have been manually designed. This way, during the las 50 years about 26 different models and variations have been reportes. In this paper, we illustrate how new models of AMs can be automatically generated through Genetic Programming (GP) based methodology. In particular, GP provides a way to succesfully facilitate the search for an AM in the form of a computer program. The efficiency of the proposal was conducted by means of two tests based on binary and real-valued patterns. The experimental results show that it is possible to automatically generate AMs that achieve good results for the selected pattern recognition problems. This open a new research area that allows, for the first time, synthesizing new AMs to solve specific problems.