Transforming hopfield networks into high-performance machine learning classifiers for computational eﬀiciency / by Mohamed Abdelkarim Shaban Omar ; Supervisors Prof. Dr. Hanan Ahmed Kamal, Prof. Dr. Doaa Mohamed Shawky.

By:

Mohamed Abdelkarim Shaban Omar [preparation.]

Contributor(s):

Material type:

TextLanguage: English Summary language: English, Arabic Producer: 2025Description: 84 pages : illustrations ; 30 cm. + CDContent type:

text

Media type:

Unmediated

Carrier type:

volume

Other title:

ﺘﺤوﻴﻝ ﺸﺒﻛﺎت ﻫوﺒﻔﻴﻠد إﻟﻰ ﻤﺼﻨﻔﺎت ﺘﻌﻠم آﻟﻲ ﻋﺎﻟﻴﺔ اﻷداء ﻟﺘﺤﻘﻴق اﻟﻛﻔﺎءة اﻟﺤﺎﺴوﺒﻴﺔ [Added title page title]

Subject(s):

DDC classification:

621.3

Available additional physical forms:

Issues also as CD.

Dissertation note: Thesis (M.Sc)-Cairo University, 2025. Summary: State-of-the-art classification neural networks, complex and multi-layered, demand sig- nificant energy and computational resources. In contrast, the Hopfield Neural Network (HNN) is a simpler, single-layer network, emulating the human associative memory net- work (AM). This makes HNN eﬀicient for tasks like image processing and pattern recog- nition, consuming less time and power. Its compatibility with oscillatory neural networks (ONNs) suits it for machine learning applications in IoT and big data contexts. Notably, HNN is typically used as AM rather than a classifier. This work introduces an advanced HNN classifier, versatile across various datasets, including images. With minimal train- ing time, it’s ideal for resource-limited environments. This HNN classifier sets a new benchmark in classification, achieving a 96% test accuracy on the MNIST dataset, a 36% improvement over previous HNN classifiers, marking a notable achievement in machine learning.Summary: الشبكات العصبية الحديثة للتصنيف تعتمد على التراجع التدريجي أثناء التدريب وتستهلك موارد كبيرة، بينما تُعد شبكة هوبفيلد العصبية (HNN) أبسط بتصميمها كشبكة ذات طبقة واحدة وأوزان متماثلة، مما يحاكي الذاكرة الترابطية البيولوجية البشرية. تُستخدم HNN عادةً كذاكرة ترابطية لتخزين واسترجاع البيانات، وتتميز ببساطتها واحتياجها الأقل للموارد، مع إمكانية تنفيذها على الأجهزة باستخدام الشبكات العصبية التذبذبية (ONNs). يقدم العمل الحالي مُصنفًا جديدًا يعتمد على HNN مستوحى من إكمال الأنماط البيولوجية، ويدعم مجموعات بيانات متنوعة مع وقت تدريب متناهي الصغر. يحقق المُصنف دقة 96% على بيانات MNIST، متفوقًا بنسبة 36% على المصنفات السابقة، مع أسرع وقت تدريب وأقل تعقيد حسابي، مما يجعله خيارًا رائدًا في تصنيف البيانات.

Tags from this library: No tags from this library for this title. Log in to add tags.

Average rating: 0.0 (0 votes)

Holdings
Item type	Current library	Home library	Call number	Status	Barcode
Thesis	قاعة الرسائل الجامعية - الدور الاول	المكتبة المركزبة الجديدة - جامعة القاهرة	Cai01.13.08.M.Sc.2025.Mo.T (Browse shelf(Opens below))	Not for loan	01010110092879000

Thesis (M.Sc)-Cairo University, 2025.

Bibliography: pages 79-84.

State-of-the-art classification neural networks, complex and multi-layered, demand sig-
nificant energy and computational resources. In contrast, the Hopfield Neural Network
(HNN) is a simpler, single-layer network, emulating the human associative memory net-
work (AM). This makes HNN eﬀicient for tasks like image processing and pattern recog-
nition, consuming less time and power. Its compatibility with oscillatory neural networks
(ONNs) suits it for machine learning applications in IoT and big data contexts. Notably,
HNN is typically used as AM rather than a classifier. This work introduces an advanced
HNN classifier, versatile across various datasets, including images. With minimal train-
ing time, it’s ideal for resource-limited environments. This HNN classifier sets a new
benchmark in classification, achieving a 96% test accuracy on the MNIST dataset, a 36%
improvement over previous HNN classifiers, marking a notable achievement in machine
learning.

الشبكات العصبية الحديثة للتصنيف تعتمد على التراجع التدريجي أثناء التدريب وتستهلك موارد كبيرة، بينما تُعد شبكة هوبفيلد العصبية (HNN) أبسط بتصميمها كشبكة ذات طبقة واحدة وأوزان متماثلة، مما يحاكي الذاكرة الترابطية البيولوجية البشرية. تُستخدم HNN عادةً كذاكرة ترابطية لتخزين واسترجاع البيانات، وتتميز ببساطتها واحتياجها الأقل للموارد، مع إمكانية تنفيذها على الأجهزة باستخدام الشبكات العصبية التذبذبية (ONNs). يقدم العمل الحالي مُصنفًا جديدًا يعتمد على HNN مستوحى من إكمال الأنماط البيولوجية، ويدعم مجموعات بيانات متنوعة مع وقت تدريب متناهي الصغر. يحقق المُصنف دقة 96% على بيانات MNIST، متفوقًا بنسبة 36% على المصنفات السابقة، مع أسرع وقت تدريب وأقل تعقيد حسابي، مما يجعله خيارًا رائدًا في تصنيف البيانات.

جامعة القاهرة

المكتبة المركزية الجديدة

مكتبة جامعة القاهرة الأهلية

Transforming hopfield networks into high-performance machine learning classifiers for computational eﬀiciency / by Mohamed Abdelkarim Shaban Omar ; Supervisors Prof. Dr. Hanan Ahmed Kamal, Prof. Dr. Doaa Mohamed Shawky.