反馈型神经网络（Hopfield）（一）

结构和工作方式

根据神经网络运行过程中的信息流向，可分为前馈式和反馈式两种基本类型。前馈网络（如BP神经网络）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。
Hopfield是一种典型的反馈型神经网络。Hopfield网络分为离散型和连续型两种网络模型，分别记作DHNN(discrete hopfield neural network）和CHNN（continues hopfield neural network),本文重点讨论DHNN。

特点：

1.和MPL(Multilayer perceptron；多层感知机）不同，多层感知机的每一层承担不同的功能，比如输入层只负责输入，输出层只负责输出，DHNN网络每一层都承担相同的功能。
2.网络中所有神经元的输入为：除自己之外的所有神经元的输出（符号X,n-1个），对输入加权求和，再减去阈值（符号T)。注：也有包含自反馈的DHNN，引入自反馈可以增加网络的信息储存容量。

基本概念：

1.网络的状态：DHNN网中的每个神经元有相同的功能，其输出称为状态，用Xj表示，所有神经元状态的集合就构成反馈网络的状态，如式（1）所示。
$$X=[x_1,x_2,...,x_n{]}^T(1)$$
注:
1）为什么不叫‘输出’？因为如果理解成输出，此输出是在不断变化的，所以称之为‘状态’更合适。
2）为什么用X表示，一般输出都是用Y？因为输出会反馈回来变输入，所以X与Y等价。
2.反馈网络的输入就是网络的初始状态值，如式（2)所示。
$$X(0)=[x_1(0),x_2(0),...,x_n(0)$$