Hopfield网络的设计与实现

最新推荐文章于 2023-02-23 21:01:10 发布

K2I-

最新推荐文章于 2023-02-23 21:01:10 发布

阅读量776

点赞数

分类专栏： Python 文章标签： python 神经网络机器学习

本文链接：https://blog.csdn.net/m0_46323635/article/details/120722883

版权

本文介绍了如何使用Python设计和实现Hopfield网络，包括利用Hebb学习规则计算权重，通过同步迭代法获取网络稳定状态。实验中，将灰度图片转化为二值向量并应用于网络，观察不同输入下网络的输出结果。

摘要由CSDN通过智能技术生成

Hopfield网络的设计与实现

反馈神经网络，Hopfield网络，DHNN，Python。
通过Python编程，使用Hebb学习方法计算DHNN的权重参数；
通过Python编程，使用同步方法迭代DHNN，获取最终网络稳定状态

实验步骤
1,导入必要的函数库
2. 设计一个DHNN，激活函数使用符号函数
3. 将两幅灰度图片（1.png和2.png）转换为二值向量作为两个模式保存到DHNN
4. 使用外积法（Hebb学习规则）设计网络的权重参数，
5. 用异步迭代法，计算当输入一个全1向量时，网络的最终输出。
6. 计算当输入图片3.png时，网络的最终输出。
7. 计算当输入图片4.png时，网络的最终输出。

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt

img2=Image.open("1.png")
img2=np.int64(np.array(img2)>127)
vector_train=img2.flatten()

img2=Image.open("2.png")
img2=np.int64(np.array(img2)>127)
vector_train2=img2.flatten()

attractors=np.array([vector_train,vector_train2])
attractors=attractors*2-1

print("保存的模式：\n"<