あなたがしようとしていることは問題ではありません。ニューラルネットワークは、パターンを一般化することで、学習しない方が優れているので、本当に素晴らしいです。しかし、あなたは確率的ニューラルネットワークか規則的知覚のどちらかでこれを達成することができるかもしれません。あなたはあなたの問題について少し漠然としていたので、私の答えはあいまいでなければならないでしょう。私は、あなたがメモリのデータを渡してから、それをメモリアドレスに「分類する」ということを仮定します。このようにして、管理されたトレーニング方法を使用してネットワークをトレーニングすると、既存のアイテムと類似または同一のメモリデータを渡すことができ、ネットワークによってアドレスが与えられます。あなたは同じことを私が想定している逆にすることもできます。
確率的ニューラルネットワークを使用する場合は、基本的にネットワークに渡すすべてのパターンを学習することになります。もちろん、新しいメモリアドレスを保存するたびに、新しいノードをネットワークに追加することになります。この問題を軽減するための作業が完了しました。for example, this paper(自分でalgoを実装する必要があります)。おそらく、このタイプのネットワークは、結果を(確率を使用して)一般化することができる一方で、メモリを正確に「記憶」することにおいて最も信頼できるものであろう。欠点は、メモリが大量に消費されることです。
従来のフィードフォワードの逆伝播ネットワーク(パーセプトロン)では、このようなことを可能にする必要があります。しかし、ネットワークがすべての入力値を適切にリコールできるように、隠れたノードを十分に作成するように注意する必要があります。これを行うと、あまりにもフィットすることになりますが、入力データを一般化したくないと思われる場合は、パターンのリコールをよくしてください。
新しいデータの学習の問題を解決するには、ネットワークを1回学習するのではなく、時間をかけて学習できるようにするだけです。あなたはこれをもっと研究しなければならないでしょうが、何らかのオンライン学習アルゴリズムを使いたいと思うでしょう。結論として
、アルゴリズムのいくつかの他の種類を使用し、ニューラルネットワークを使用していない:P
これは、ニューラルネットワークを使用するのに奇妙なことです。NNはメモリーではなく分類子として最もよく使用されます。 NNは、記憶を持つことを意図した方法を習得しません。彼らは省略し、一般化し、忘れます。あなたは正確に何を達成しようとしていますか?それは研究のいくつかの種類ですか?または議論の余地のないクライアントの要件ですか? – Rekin