Hopfield模型属于反馈型神经网络,从计算的角度上讲,它 具有很强的计算能力。这样的系统着重关心的是系统的稳定 性问题。稳定性是这类具有联想记忆功能神经网络模型的核 心,学习记忆的过程就是系统向稳定状态发展的过程。 Hopfield网络可用于解决联想记忆和约束优化问题的求解。
反馈网络(Recurrent Network),又称自联 想记忆网络,如下图所示:
x1
x2
x3
y1
y2
y3
图 3 离散 Hopfield 网络
考虑DHNN的节点状态,用yj(t)表示第j个神经元,即节点j在时 刻t的状态,则节点的下一个时刻t+1的状态可以求出如下:
1, u j (t) 0 y j (t 1) f[u j (t)] 0, u j (t) 0 u j (t) w i, j y i (t) x j θ j
在不考虑外部输入时,则有
j 1,2,..., n
n y j (t 1) f w i, j yi (t) θ j i 1
•通常网络从某一初始状态开始经过多次更新后才可 能达到某一稳态。使用异步状态更新策略有以下优点: (1)算法实现容易,每个神经元节点有自己的状态 更新时刻.不需要同步机制; (2)以串行方式更新网络的状态可以限制网络的输 出状态,避免不同稳态以等概率出现。 一旦给出HNN的权值和神经元的阈值,网络的状态转 移序列就确定了。
5.2 离散Hopfield网络
• Hopfield最早提出的网络是神经元的输出为 0-1二值的NN,所以,也称离散的HNN (简称为 DHNN).
–下面分别讨论DHNN的
• • • • 结构 动力学稳定性(网络收敛性) 联想存储中的应用 记忆容量问题