混沌神经网络学习笔记一

吸引子：系统有朝着某个稳态发展的趋势，这个稳态就叫做吸引子。吸引子又分为平庸吸引子和奇异吸引子。

平庸吸引子：有不动点（平衡）、极限环（周期运动）和整数维环面（概周期运动）三种模式。（不动点：函数术语。函数经过有限次迭代回到相同的值的点为周期点，不动点是周期值为1的点。）

奇异吸引子：反应混沌系统运动特征的产物，是一种混沌系统中无需稳态的运动形态。奇异吸引子上的运动对初始值有着极强的敏感依赖性；奇异吸引子具有分维，如2.06维、1.2365维等，通常需要用计算来确定。

Hopfield神经网络：它是一种循环神经网络，从输出到输入有反馈连接。反馈神经网络由于其输出端又反馈到其输入端，所以，Hopfield网络在输入的激励下会产生不断的状态变化。当有输入之后，可以求取出Hopfield的输出，这个输出反馈到输入从而产生新的输出。这个反馈过程会一直进行下去。如果Hopfield网络是一个能收敛的稳定网络，则这个反馈与迭代的计算过程所产生的变化越来越小，一旦达到了稳定平衡状态，那么Hopfield网络就会输出一个稳定的恒值。对于一个Hopfield网络来说，关键是在于确定它在稳定条件下的权系数（无自反馈的权系数对称的Hopfield网络是稳定的网络）。 最早提出的是二值神经网络，也叫离散Hopfield神经网络。1表示激活状态，0表示抑制状态。

      前馈网络的输出仅与当前输入与权矩阵决定，与网络先前输出状态无关，且通过引入隐层及非线性转移函数（激活函数）使网络具有复杂的非线性映射能力。前馈网络中，不论是离散还是连续，一般不考虑输入与输出之间在时间上的滞后性，只是表达两者间映射关系。但在Hopfield网络中，需考虑输入输出间的延迟因素，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网络分为连续型和离散型，分别记为CHNN和DHNN。