C++实现基于离散Hopfield神经网络噪声数字的识别

最新推荐文章于 2019-05-14 16:25:55 发布
最新推荐文章于 2019-05-14 16:25:55 发布
阅读量2.6k 收藏 8
点赞数 5
分类专栏： opencv VS2012_C++ 编程_C++ 文章标签： 离散Hopfield c++ 神经网络 智能计算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/hanshuning/article/details/42037239
版权
opencv 同时被 3 个专栏收录
63 篇文章 4 订阅
订阅专栏
编程_C++
49 篇文章 1 订阅
订阅专栏
VS2012_C++
19 篇文章 2 订阅
订阅专栏

鸣谢！男朋友帮我整理的数据！真爱！！！

智能计算第三次作业

1、            题目：

基于离散Hopfield神经网络噪声数字的识别

2、            实现步骤

算法部分：

①初始化：

给定P个待存的向量u[p][N],N=120.开关函数采用sigmoid  函数

W[N][N]={0};θ=0.1.验证得θ=0时也能得到结果。

②外积法设计离散型Hopfield神经网络的圈系数矩阵W

③对样本加入噪声,25%的概率;

④ 设定迭代次数50，采用并行的工作方式，进行迭代。

画图部分：

采用opencv2进行画图，-1画点，1画实矩形 。

3、核心代码及说明：

    ///画图，采用opencv进行画图

    stringstream ss;   

    string str;  

    for(int k=0;k<P;k++)

    {

        str="u";

        ss.clear();   

        ss<<str;   

        ss<<k;   

        ss<<".jpg";   

        ss>>str;   

        Mat img(120,100,CV_8UC3,Scalar(130,240,205));//3通道图像

        for(int i=0;i<120;i++)

        {

            if(u[k][i]==-1) //画点

                circle(img,Point(5+10*(i%10),5+10*(i/10)),1,Scalar(220,0,150),1,8,0);

            if(u[k][i]==1) //画实矩形

                rectangle(img,Point(10*(i%10)+2,10*(i/10)+2),Point(8+10*(i%10),8+10*(i/10)),Scalar(220,0,150),-1,8,0);

        }

        namedWindow(str,0);

        imshow(str,img ); //显示图像

        imwrite(str,img); //保存图像

}

/外积法设计离散型Hopfield神经网络的圈系数矩阵W

for(int k=0;k<7;k++)

        {

            for(int i=0;i<N;i++)

                for(int j=0;j<N;j++)

                    W[i][j]=W[i][j]+u[k][i]*u[k][j];   

        }

        for(int i=0;i<N;i++)

        {

            for(int j=0;j<N;j++)

            {

                if(i!=j)

                    W[i][j]=W[i][j]/N; 

                else

                    W[i][j]=0;

            }

     }

/加入噪音

    srand ( unsigned ( time (NULL) ) );

    for(int i=0;i<P;i++)

    {

        for(int j=0;j<N;j++)

        {

            int R=(rand()%4);

            if(R==0)

                u[i][j]=-u[i][j];

        }

}

//进行迭代，采用并行的工作方式

int T=0;

while(T<50)

{

    T++;

    for(int k=0;k<7;k++)

    {

        for(int i=0;i<N;i++)

        {

            double v=0;

            for(int j=0;j<N;j++)

            {

                v=v+W[i][j]*u[k][j];

            }

            v=v-0.1; /θ=0.1

            if(v>0)

                u[k][i]=1;

            else

            {

                if(v==0)

                    u[k][i]=u[k][i];

                 else

                    u[k][i]=-1;

            }

        }

    }

}

3、            运行结果

由于选取随机污染，污染不同结果不同：

初始图像

              结果1：

  污染后图像uiT0

 

一次迭代后uiT1：

二次迭代后：uiT2

三次迭代后：uiT3

之后不再发生变化。

结果2：

污染后：

一次迭代uiT1

二次迭代uiT2

三次迭代uiT3

之后不再发生变化。

4、            总结

通过C++编程实现基于离散Hopfield神经网络噪声数字的识别，我对其的原理理解更深刻了，只有通过一次次修改代码和查阅资料才知道自己对算法的些地方存在错误的认识，再不断改进自己的算法。

今天又发现一个错误，求W矩阵的时候应该除以N，我却打成了%N。已经改过来了。作业还是晚点交好吧。奇怪的是那样结果也能出来。。。这算不算是一种新算法呢？真是醉了。

。cpp文件

#include<iostream>
#include"math.h"
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/opencv.hpp>
#include <time.h>

using namespace cv;
using namespace std;
#define P 7
#define N  120
double W[N][N]={0};
int u[P][N]={
	{
		-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1,
			-1,-1,-1,1,1,1,1,-1,-1,-1
	},{
		1,1,1,1,1,1,1,1,-1,-1,
			1,1,1,1,1,1,1,1,-1,-1,
			-1,-1,-1,-1,-1,-1,1,1,-1,-1,
			-1,-1,-1,-1,-1,-1,1,1,-1,-1,
			-1,-1,-1,-1,-1,-1,1,1,-1,-1,
			1,1,1,1,1,1,1,1,-1,-1,
			1,1,1,1,1,1,1,1,-1,-1,
			1,1,-1,-1,-1,-1,-1,-1,-1,-1,
			1,1,-1,-1,-1,-1,-1,-1,-1,-1,
			1,1,-1,-1,-1,-1,-1,-1,-1,-1,
			1,1,1,1,1,1,1,1,-1,-1,
			1,1,1,1,1,1,1,1,-1,-1
	},{
		-1,-1,1,1,1,1,1,1,-1,-1,
			-1,-1,1,1,1,1,1,1,1,-1,
			-1,-1,-1,-1,-1,-1,-1,1,1,-1,
			-1,-1,-1,-1,-1,-1,-1,1,1,-1,
			-1,-1,-1,-1,-1,-1,-1,1,1,-1,
			-1,-1,-1,-1,1,1,1,1,-1,-1,
			-1,-1,-1,-1,1,1,1,1,-1,-1,
			-1,-1,-1,-1,-1,-1,-1,1,1,-1,
			-1,-1,-1,-1,-1,-1,-1,1,1,-1,
			-1,-1,-1,-1,-1,-1,-1,1,1,-1,
			-1,-1,1,1,1,1,1,1,1,-1,
			-1,-1,1,1,1,1,1,1,-1,-1
		},{
			-1,1,1,-1,-1,-1,-1,1,1,-1,
				-1,1,1,-1,-1,-1,-1,1,1,-1,
				-1,1,1,-1,-1,-1,-1,1,1,-1,
				-1,1,1,-1,-1,-1,-1,1,1,-1,
				-1,1,1,-1,-1,-1,-1,1,1,-1,
				-1,1,1,1,1,1,1,1,1,-1,
				-1,1,1,1,1,1,1,1,1,-1,
				-1,-1,-1,-1,-1,-1,-1,1,1,-1,
				-1,-1,-1,-1,-1,-1,-1,1,1,-1,
				-1,-1,-1,-1,-1,-1,-1,1,1,-1,
				-1,-1,-1,-1,-1,-1,-1,1,1,-1,
				-1,-1,-1,-1,-1,-1,-1,1,1,-1
		},{
			1,1,1,1,1,1,-1,-1,-1,-1,
				1,1,1,1,1,1,-1,-1,-1,-1,
				1,1,1,-1,-1,-1,-1,-1,-1,-1,
				1,1,1,-1,-1,-1,-1,-1,-1,-1,
				1,1,1,-1,-1,-1,-1,-1,-1,-1,
				1,1,1,1,1,1,-1,-1,-1,-1,
				1,1,1,1,1,1,-1,-1,-1,-1,
				1,1,-1,-1,1,1,-1,-1,-1,-1,
				1,1,-1,-1,1,1,-1,-1,-1,-1,
				1,1,-1,-1,1,1,-1,-1,-1,-1,
				1,1,1,1,1,1,-1,-1,-1,-1,
				1,1,1,1,1,1,-1,-1,-1,-1
		},{
			1,1,1,1,1,-1,-1,-1,-1,-1,
				1,1,1,1,1,-1,-1,-1,-1,-1,
				1,1,1,1,1,-1,-1,-1,-1,-1,
				1,1,1,1,1,-1,-1,-1,-1,-1,
				1,1,1,1,1,-1,-1,-1,-1,-1,
				1,1,1,1,1,-1,-1,-1,-1,-1,
				-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,
				-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,
				-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,
				-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,
				-1,-1,-1,-1,-1,-1,-1,-1,-1,-1,
				-1,-1,-1,-1,-1,-1,-1,-1,-1,-1
			},{
				-1,-1,-1,-1,1,1,1,1,1,1,
					-1,-1,-1,-1,1,1,1,1,1,1,
					-1,-1,-1,-1,1,1,-1,-1,1,1,
					-1,-1,-1,-1,1,1,-1,-1,1,1,
					-1,-1,-1,-1,1,1,-1,-1,1,1,
					-1,-1,-1,-1,1,1,1,1,1,1,
					-1,-1,-1,-1,1,1,1,1,1,1,
					-1,-1,-1,-1,-1,-1,-1,-1,1,1,
					-1,-1,-1,-1,-1,-1,-1,-1,1,1,
					-1,-1,-1,-1,-1,-1,-1,-1,1,1,
					-1,-1,-1,-1,1,1,1,1,1,1,
					-1,-1,-1,-1,1,1,1,1,1,1}
};

int main()
{
	画原图
	stringstream ss;    
	string str;   
	cout<<0.1/2;
	for(int k=0;k<P;k++)
	{
		str="u"; 
		ss.clear();    
		ss<<str;    
		ss<<k;    
		ss<<".jpg";    
		ss>>str;    

		Mat img(120,100,CV_8UC3,Scalar(130,240,205));//3通道图像
		for(int i=0;i<120;i++)

		{
			if(u[k][i]==-1)
				circle(img,Point(5+10*(i%10),5+10*(i/10)),1,Scalar(220,0,150),1,8,0);
			if(u[k][i]==1)
				rectangle(img,Point(10*(i%10)+2,10*(i/10)+2),Point(8+10*(i%10),8+10*(i/10)),Scalar(220,0,150),-1,8,0);
		}
		namedWindow(str,0);
		imshow(str,img );
		imwrite(str,img);

	}
	//waitKey();
	for(int k=0;k<7;k++)
		{
			for(int i=0;i<N;i++)
				for(int j=0;j<N;j++)
					W[i][j]=W[i][j]+u[k][i]*u[k][j];	
		}
		for(int i=0;i<N;i++)
		{
			for(int j=0;j<N;j++)
			{
				if(i!=j)
					W[i][j]=W[i][j]/N;	
				else
					W[i][j]=0;
			}
		}

	//加入噪音
	srand ( unsigned ( time (NULL) ) );
	for(int i=0;i<P;i++)
	{

		for(int j=0;j<N;j++)
		{

			int R=(rand()%4);
			if(R==0)
				u[i][j]=-u[i][j];
		}
	}
	

	//int v=0;
	int T=0;
	stringstream ss_noise;    
	string str_noise;
	
	while(T<5)
	{
		///画图
		stringstream ss_noise;    
		string str_noise;
		for(int k=0;k<P;k++)
		{
			str_noise="u";  
			ss_noise.clear();    
			ss_noise<<str_noise;    
			ss_noise<<k;  
			ss_noise<<"T"; 
			ss_noise<<T; 
			ss_noise<<".jpg";    
			ss_noise>>str_noise;    

			Mat img_noise(120,100,CV_8UC3,Scalar(130,240,205));//3通道图像
			for(int i=0;i<N;i++)

			{
				if(u[k][i]==-1)
					circle(img_noise,Point(5+10*(i%10),5+10*(i/10)),1,Scalar(220,0,150),1,8,0);
				if(u[k][i]==1)
					rectangle(img_noise,Point(10*(i%10)+2,10*(i/10)+2),Point(8+10*(i%10),8+10*(i/10)),Scalar(220,0,150),-1,8,0);
			}
			namedWindow(str_noise,0);
			imshow(str_noise,img_noise );
			imwrite(str_noise,img_noise);

		}

		T++;
		for(int k=0;k<7;k++)
		{
			
			
			for(int i=0;i<N;i++)
			{
				double v=0;
				
				for(int j=0;j<N;j++)
				{
					v=v+W[i][j]*u[k][j];
				}
				
				v=v-0.1;
				if(v>0)
					u[k][i]=1;
				else
				{
				if(v==0)
					u[k][i]=u[k][i];
				else
					u[k][i]=-1;
				}
			}
		}
	}
	waitKey();
	return 0;
}

光子乘羽
关注
  • 5
    点赞
  • 踩
  • 8
    收藏
    觉得还不错? 一键收藏
  • 4
    评论
专栏目录
c++实现简单hopfield神经网络
03-31
简单hopfield神经网络实现4个神经元组成的吸引子,W矩阵由(-1,1,1，-1)和(-1,1,-1,1)构造。
Hopfield神经网络+C代码
Try_再努力一点
08-22 3479
Hopfield是一个具有记忆功能的神经网络；通过网络转态的不断变化，最后转态会稳定下来，最终的状态是与待测样本向量X最接近的训练样本。所以Hopfield网络的最终输出就是待测样本向量联想结果。 Hopfield网络学习算法如下： 1. 确定权重系数，计算公式如下： 2. 对待测样本进行分类，对二值神经元，计算Hopfield网络输出： 可选用的阶跃函数为：
Hopfield神经网络解决TSP问题C++程序
05-13
目前程序代码设置只支持不超过10个点的tsp问题，感兴趣的同学可以自己修改代码，使程序适应性更广泛。 使用方法： 每次运行前删除文件夹内的result.txt 1.在左侧区域内选取n（2<n<10）个点 2.选取完成后点击生成解决方案 3.等待弹出对话框“finished”，计算过程结束。
Hopfield网络C++源程序.rar
03-25
Hopfield网络C++源程序，可以正常运行
Hopfield人工神经网络求解TSP问题（附论文）
07-22
人工神经网络求解旅行商问题，有完整的论文，论文里含有源代码，参考浙江大学出版社的《人工神经网络实用教程》。
基于Matlab实现离散Hopfield神经网络联想记忆数字识别（源码+数据）.rar
最新发布
06-27
1、资源内容：基于Matlab实现离散Hopfield神经网络联想记忆数字识别（源码+数据）.rar 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用...
hopfield神经网络数字识别_hopfield神经网络数字识别_python_
10-01
基于hopfield神经网络的数字识别Python程序，本人对现有的程序进行了扩充修改，只需要添加训练样本图片就可以增加训练样本（注意样本像素要一致），这是我的课程设计，只做了数字0-5的识别，如有需要，稍微修改程序...
matlab神经网络源码集锦- 离散Hopfield神经网络的联想记忆—数字识别
05-17
在本源码集中，我们将探讨如何使用MATLAB来实现离散Hopfield神经网络，以及其在数字识别中的应用。 MATLAB是MathWorks公司开发的一种强大的数学计算软件，特别适合于数值分析、矩阵运算、信号处理和图形可视化等...
离散Hopfield神经网络的联想记忆—数字识别
08-19
离散Hopfield神经网络是一种基于权重的反馈网络，由John J. Hopfield在1982年提出。这种网络的设计灵感来源于生物大脑的工作原理，它能够通过存储模式（也称为稳定状态或吸引子）实现联想记忆。在数字识别的应用中，...
离散Hopfield神经网络的联想记忆_数字识别_matlab
04-04
资源名：离散Hopfield神经网络的联想记忆_数字识别_matlab 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群：...
利用Hopfield神经网络解决旅行商问题（TSP）
06-23
利用利用Hopfield神经网络解决旅行商问题（TSP），开发平台为matlab
Hopfield 神经网络
10-31
机器学习中RBM的起源 Hopfield 神经网络
基于hopfield的数字去噪程序
05-16
基于hopfield的数字去噪程序,用 matlab实现，能够很好的出去0-9，数字的噪声。利用hopfield网的联想记忆功能
神经网络算法源程序(用c++编写,有SOM,HOPFIELD等)
12-07
神经网络算法源程序，如SOM、HOPFIELD、CPN、BPN、BOLTZMAN、ART、ADALINE，同时提供针对不同算法的演示源程序。
基于连续型Hopfield神经网络求解TSP问题
10-23
基于连续型Hopfield神经网络求解TSP问题 matlab实现 适合初学者学习研究
[转载]离散Hopfield神经网络
qq_36248632的博客
05-14 350
离散Hopfield神经网络 原文链接：https://blog.csdn.net/linuxcumt1/article/details/8597786 % ------------------------standard number array------------------...
基于Hopfield神经网络的数字识别
楚橙的学习笔记
12-04 1万+
基于Hopfield神经网络的数字识别          在日常生活中，经常遇到带噪声字符的识别问题，如交通系统中汽车牌照，由于汽车在使用过程中，要经受自然环境中的日吹风晒或者其他污染，造成字体的模糊不清，难以辨认，这是常常发生的事。如何从这些残缺不全的字符中提取完整的信息，达到正确识别，这是字符识别的关键问题。字符识别在邮政，交通及商业票据管理等方面有着极高的应用价值。          目
Hopefield神经网络
serryuer的博客
04-17 4523
文章目录HNN起源HNN简介DHNN结构DHNN的学习DHNN的状态变化DHNN的能量函数DHNN稳定状态求解DHNN权值的设计方法DHNN的记忆容量分析DHNN权重修正的其他方法CHNNHNN的应用Hopefield网络在组合优化中的应用参考文献 HNN起源 1982年，J．Hopfield提出了可用作联想存储器的互连网络，这个网络称为Hopfield网络模型，也称Hopfield模型。Hopf...
Hopfield神经网络处理TSP问题
热门推荐
SSyangguang的博客
01-12 2万+
TSP问题简介：        TSP问题就是在一城市集合{A,B,C,…}中找出一个最短且经过每个城市各一次并回到起点的路径。为了将TSP问题映射到一神经网络的动态演化过程，首先必须找到一合适的表示方法。任一城市在最终路径上的次序可用一N维矢量表示。以10城市为例，如果城市A是第6个访问，则可以用0000010000，即只有第6个神经元的输出为1，其余都是0。为了表示表示所有城市，就需要N×N
离散hopfield神经网络的联想记忆—数字识别.zip
05-16
这个文件是一个基于离散Hopfield神经网络实现的数字识别程序。Hopfield网络是一种简单的反馈网络，其主要目的是实现基于模式匹配的联想记忆功能。在这个程序中，网络接受一组数字图像作为输入，并能将其与其它数字...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值