Hopfield 網(wǎng)——擅長于聯(lián)想記憶與解迷路 實現(xiàn)H網(wǎng)聯(lián)想記憶的關鍵，是使被記憶的模式樣本對應網(wǎng)絡能量函數(shù)的極小值。 設有M個N維記憶模式，通過對網(wǎng)絡N個神經(jīng)元之間連接權(quán) wij 和N個輸出閾值θj的設計，使得: 這M個記憶模式所對應的網(wǎng)絡狀態(tài)正好是網(wǎng)絡能量函數(shù)的M個極小值。 比較困難，目前還沒有一個適應任意形式的記憶模式的有效、通用的設計方法。 H網(wǎng)的算法 1）學習模式——決定權(quán)重 想要記憶的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 則任意兩個神經(jīng)元j、i間的權(quán)重： wij=∑ap(i)ap(j)，p=1…p； P：模式的總數(shù) ap(s)：第p個模式的第s個要素（-1或1） wij：第j個神經(jīng)元與第i個神經(jīng)元間的權(quán)重 i = j時，wij=0，即各神經(jīng)元的輸出不直接返回自身。 2)想起模式： 神經(jīng)元輸出值的初始化 想起時，一般是未知的輸入。設xi(0)為未知模式的第i個要素（-1或1） 將xi(0)作為相對應的神經(jīng)元的初始值，其中，0意味t=0。 反復部分：對各神經(jīng)元，計算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n—神經(jīng)元總數(shù) f（）--Sgn（） θi—神經(jīng)元i發(fā)火閾值 反復進行，直到各個神經(jīng)元的輸出不再變化。
標簽：
Hopfield
聯(lián)想
上傳時間：
2015-03-16
上傳用戶：JasonC
