000			04272namaa22004331i 4500
003			EG-GICUC
005			20251222101523.0
008			251221s2025 ua a|||frm||| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a621.3
092			_a621.3 _221
097			_aM.Sc
099			_aCai01.13.08.M.Sc.2025.Mo.T
100	0		_aMohamed Abdelkarim Shaban Omar, _epreparation.
245	1	0	_aTransforming hopfield networks into high-performance machine learning classifiers for computational efficiency / _cby Mohamed Abdelkarim Shaban Omar ; Supervisors Prof. Dr. Hanan Ahmed Kamal, Prof. Dr. Doaa Mohamed Shawky.
246	1	5	_aﺘﺤوﻴﻝ ﺸﺒﻛﺎت ﻫوﺒﻔﻴﻠد إﻟﻰ ﻤﺼﻨﻔﺎت ﺘﻌﻠم آﻟﻲ ﻋﺎﻟﻴﺔ اﻷداء ﻟﺘﺤﻘﻴق اﻟﻛﻔﺎءة اﻟﺤﺎﺴوﺒﻴﺔ /
264		0	_c2025.
300			_a84 pages : _billustrations ; _c30 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (M.Sc)-Cairo University, 2025.
504			_aBibliography: pages 79-84.
520		3	_aState-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.
520		3	_aالشبكات 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.
530			_aIssues also as CD.
546			_aText in English and abstract in Arabic & English.
650		0	_aElectrical engineering
650		0	_aهندسة الإلكترونيات
653		1	_aHopfield neural network _aImage classification _aSingle layer network _aoscillatory neural network _aML _aAI _aشبكة هوبفيلد العصبية _aتصنيف الصور
700	0		_aHanan Ahmed Kamal _ethesis advisor.
700	0		_aDoaa Mohamed Shawky _ethesis advisor.
900			_b01-01-2025 _cHanan Ahmed Kamal _cDoaa Mohamed Shawky _dOmar Ahmed Ali Nasr _dHeba Ahmed Abdelsalam Elnemr _UCairo University _FFaculty of Engineering _DDepartment of Electronics and Electrical Communications Engineering
905			_aShimaa
942			_2ddc _cTH _e21 _n0
999			_c176905