본 연구는 MNIST 데이터셋의 손글씨 숫자 분류를 위한 컨볼루션 신경망(CNN)과 다중 우물 홉필드 네트워크를 결합한 하이브리드 모델을 제시합니다. CNN을 사용하여 입력 이미지에서 고차원 특징을 추출하고, k-means 클러스터링을 이용하여 클래스별 프로토타입으로 클러스터링합니다. 이 프로토타입은 다중 우물 에너지 지형에서 홉필드 네트워크의 인력자 역할을 하며, 특징 유사성과 클래스 할당 간의 균형을 맞추는 에너지 함수를 최소화하여 분류를 수행합니다. 이 모델은 다양한 필체와 같은 클래스 내 변동성을 강력하게 처리하고, 에너지 기반 의사결정 과정을 통해 해석 가능한 프레임워크를 제공합니다. CNN 아키텍처와 우물의 수를 체계적으로 최적화하여 10,000개의 MNIST 이미지에 대해 99.2%의 높은 테스트 정확도를 달성하여 이미지 분류 작업에 대한 효과를 입증했습니다. 이 연구 결과는 높은 성능을 달성하는 데 있어 심층 특징 추출과 충분한 프로토타입 적용의 중요성을 강조하며, 패턴 인식 분야의 더 넓은 응용 가능성을 시사합니다.
