Hopfield网络 和BP神经网络区别和联系。
前馈型神经网络通过引入隐层及非线性转移函数(激活函数)使得网络具有复杂的非线性映射能力。前馈网络的输出仅由当前输入和权矩阵决定,而与网络先前的输出状态无关。而Hopfield神经网络,会把其输出反馈给输出,从而具有时序性的特定。因此需要通过微分方程或差分方程描述网络的动态数学模型。Hopfield神经网络具有能量函数的概念,来表示当前网络的稳定状态。当达到最小值的时候,表示网络最稳定。类似前馈神经网络的误差函数。Hopfield网络分为连续性和离散型,分别记为CHNN和DHNN。
HopField网络具有下面的特征。
1 系统具有若干个稳定状态,对应了能量函数的局部最小值。如果从某一个初始状态开始运动,系统总是可以进入某一个稳定状态。
2 系统的稳定状态,可以通过改变各个神经元之间的连接得到。
3 经过特殊设计的能量函数,可以使得,从任意状态开始,系统的演变都会使得能量函数单调减少,从而最后稳定到最小值。
求解系统稳定状态的方式有两种。
1 通过规则计算得出。
2 通过一定的学习算法,自动得到,所需要的权重和参数(比如通过Hebbe学习规则,误差学习规则)
HopField的用途和意义。
1 可以用于记忆和联想。因为,每个HopField都有特定的稳定状态,就相当于该网络对这些状态具有了记忆。从一些相关的,不全的记忆,可以触发类似联想的过程,最终稳定到某个稳定状态。非常类似人类的记忆和联想过程。
关于Hopfield的详细资料,可以参考。
http://www.docin.com/p-921356154.html