Jaringan autoasosiatif merupakan kasus khusus jaringan heteroasosiatif. Vektor masukan pelatihan keluaran target adalah identik. Proses pelatihan disebut penyimpanan vector yang dapat biner atau bipolar.
Vektor yang tersimpan dapat diperoleh kembali meskipun masukan yang dibenikan cacat. Kinerja jaringan ditinjau oleh kemampuannya mereproduksi pola tersimpan dan masukan yang berderau. Kinerjanya umumnya lebih baik untuk vector bipolar dan pada vector biner. Untuk jaringan autoasosiatif kadang-kadang bobot diagonal (yang menghubungkan komponen pola masukan ke komponen pola keluaran yang sesuai) ditetapkan menjadi nol.
Penetapan bobot menjadi nol ini memperbaiki kemampuan jaringan untuk perampatan (generalisasi). Khususnya bila lebih dari satu vector disimpan di dalamnya. Hal ini juga perlu untuk kasus iterative, atau bila digunakan aturan delta untuk mencegab pelatihan menghasilkan matriks bobot identitas.
Arsitektur
Arsitektur jaringan autoasosiatif terlihat pada Gambar dibawah dengan aktivasi setiap unit masukan xi = si dan setiap unit keluaran j = sj. Cacah unit masukan sama dengan unit keluaran.
Algoritma
Untuk jaringan yang saling orthogonal dapat digunakan aturan Hebb untuk menetapkan bobot, karena vector masukan dan vector keluaran terkorelasi sempuma komponen per komponen.
Langkah 0. Inisialisasi semua bobot, i = 1,……. n ; j = 1,……., m. wij=0. Langkah 1. Untuk setiap vector yang tersimpan, kerjakan Langkah 2 – 4 Langkah 2. Tetapkan aktivasi setiap unit masukan xi=si; i=1 ,……., n Langkah 3. Tetapkan aktivasi setiap unit keluaran. yj=sj; j=1,……,m. Langkah 4. Atur bobot wij (baru) = wij (lama) + xi yj i=1 ,n;j=1,……,m. Dalam praktek bobot ditetapkan dengan formula:
