Mohamed Abdelkarim Shaban Omar, <br/><br/>
Transforming hopfield networks into high-performance machine learning classifiers for computational efficiency / 
 ﺘﺤوﻴﻝ ﺸﺒﻛﺎت ﻫوﺒﻔﻴﻠد إﻟﻰ ﻤﺼﻨﻔﺎت ﺘﻌﻠم آﻟﻲ ﻋﺎﻟﻴﺔ اﻷداء ﻟﺘﺤﻘﻴق اﻟﻛﻔﺎءة اﻟﺤﺎﺴوﺒﻴﺔ / 
by Mohamed Abdelkarim Shaban Omar ; Supervisors Prof. Dr. Hanan Ahmed Kamal, Prof. Dr. Doaa Mohamed Shawky. 
 - 84 pages :   illustrations ;  30 cm. +   CD. 
<br/><br/>Thesis (M.Sc)-Cairo University, 2025. 
<br/><br/>Bibliography: pages 79-84. 
<br/><br/> State-of-the-art classification neural networks, complex and multi-layered, demand sig-<br/>nificant energy and computational resources. In contrast, the Hopfield Neural Network<br/>(HNN) is a simpler, single-layer network, emulating the human associative memory net-<br/>work (AM). This makes HNN efficient for tasks like image processing and pattern recog-<br/>nition, consuming less time and power. Its compatibility with oscillatory neural networks<br/>(ONNs) suits it for machine learning applications in IoT and big data contexts. Notably,<br/>HNN is typically used as AM rather than a classifier. This work introduces an advanced<br/>HNN classifier, versatile across various datasets, including images. With minimal train-<br/>ing time, it’s ideal for resource-limited environments. This HNN classifier sets a new<br/>benchmark in classification, achieving a 96% test accuracy on the MNIST dataset, a 36%<br/>improvement over previous HNN classifiers, marking a notable achievement in machine<br/>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. 
<br/><br/>
<br/><br/><br/>Text in English and abstract in Arabic & English. 
<br/><br/><label>Subjects--Topical Terms: </label><br/>Electrical engineering<br/>هندسة الإلكترونيات 
<br/><br/><label>Subjects--Index Terms: </label>Hopfield neural network  Image classification  Single layer network  oscillatory neural network  ML  AI  شبكة هوبفيلد العصبية   تصنيف الصور 
<br/><br/><label>Dewey Class. No.: </label>621.3