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.

Issues also as CD.

Text in English and abstract in Arabic & English.