Las memorias asociativas son un tema significativo en el reconocimiento de patrones y, por lo tanto, a lo largo de la historia, se han diseñado numerosos modelos de memoria debido a su utilidad. Uno de estos modelos es la memoria asociativa minmax, que es altamente eficiente en el aprendizaje y la recuperación de patrones, así como tolerante a altos niveles de ruido aditivo y sustractivo. Sin embargo, no es eficiente cuando se trata de ruido mixto. Para resolver este problema en la memoria asociativa minmax, presentamos el modelo genérico de memoria heteroasociativa máxima robusto al ruido de adquisición (ruido mixto). Esta solución se basa en comprender el comportamiento del ruido de adquisición y mapear la ubicación del ruido en imágenes binarias y en escala de grises a través de una transformación de distancia. Al controlar la ubicación del ruido, las memorias asociativas minmax se vuelven altamente eficientes. Además, nuestro modelo propuesto permite que los patrones contengan ruido mixto y aún así pueda recordar completamente los patrones aprendidos. Nuestros resultados muestran que el modelo propuesto supera a un modelo que ya ha resuelto este tipo de problema y ha demostrado superar los métodos existentes que muestran alguna solución al ruido mixto. Además, demostramos que nuestro modelo es aplicable a todas las memorias asociativas minmax con excelentes resultados.