问神经网络(使用Jeff Heaton的Encog)来模拟计算机内存

EN

你要做的并不是什么问题，神经网络真的很擅长，因为它们更擅长泛化模式，而不是学习它们。但是，您可以使用概率神经网络或常规感知来实现这一点。你对你的问题有点含糊其辞，所以我不得不含糊其辞地回答。我假设您的意思是传入内存数据，然后将其“分类”到一个内存地址。这样，当您使用监督训练方法训练网络时，您将能够传递与现有项目相似或相同的内存数据，网络将为您提供地址。我想你也可以反过来做同样的事情。

如果你使用概率神经网络，你基本上会学习你传递给网络的每一个模式。当然，每次您想要存储一个新的内存地址时，都会向网络中添加一个新的节点，这会使事情变得有点低效。已经做了一些工作来减少这个问题，for example, this paper (你必须自己实现算法)。也许这种类型的网络在准确地“记住”记忆的同时仍然能够概括结果(使用概率)是最可靠的。缺点是它将是内存密集型的。

传统的前馈、反向传播网络(感知器)也应该允许你这样做。但是，您必须小心创建足够的隐藏节点，以允许网络正确地调用所有输入值。这样做当然会导致过度拟合，但听起来你不想对输入数据进行泛化，你想更好地回忆模式。

要解决学习新数据的问题，您只需使您的网络能够随着时间的推移而学习，而不是一次学习。您必须对此进行更多的研究，但您需要使用某种在线学习算法。

总而言之，不要使用神经网络，使用其他类型的算法:p

Hopfield neural network是实现联想记忆的一种简单方法。方便的是，它甚至得到了Encog框架的支持。

不是太技术性，但我非常确定一堆连接的循环产生的一系列循环可以产生内存。

每个循环都允许数据循环，下面的每个循环都可以识别、检索或修改内存。

当然，我不确定您将如何诱使网络纳入这种设计。