[转载]离散Hopfield神经网络

离散Hopfield神经网络

原文链接https://blog.csdn.net/linuxcumt1/article/details/8597786












 
 
  1. % ------------------------standard number array-----------------------
  2. one=[ -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1;...
  3. -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1;...
  4. -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1;...
  5. -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1;...
  6. -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 -1 -1];
  7. two=[ -1 1 1 1 1 1 1 1 1 -1; -1 1 1 1 1 1 1 1 1 -1;...
  8. -1 -1 -1 -1 -1 -1 -1 1 1 -1; -1 -1 -1 -1 -1 -1 -1 1 1 -1;...
  9. -1 1 1 1 1 1 1 1 1 -1; -1 1 1 1 1 1 1 1 1 -1;...
  10. -1 1 1 -1 -1 -1 -1 -1 -1 -1; -1 1 1 -1 -1 -1 -1 -1 -1 -1;...
  11. -1 1 1 1 1 1 1 1 1 -1; -1 1 1 1 1 1 1 1 1 -1];
  12. % ----------------------plot standard number figure-----------------
  13. ONE=imresize(one, 20);
  14. subplot( 3, 2, 1)
  15. imshow(ONE)
  16. title( 'stand number')
  17. TWO=imresize(two, 20);
  18. subplot( 3, 2, 2)
  19. imshow(TWO)
  20. title( 'stand number')
  21. % ----------------------create hopfield net--------------------------
  22. T=[one;two] ';
  23. net=newhop(T);
  24. % ------------------------------generate noise----------------------------
  25. % -------------------------noise array(fixed noise)--------------
  26. % no1=[-1 -1 -1 -1 1 1 -1 -1 -1 -1;-1 -1 -1 -1 1 -1 -1 -1 -1 -1;...
  27. % -1 -1 1 -1 1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 1 -1 -1 -1;...
  28. % -1 -1 -1 -1 -1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 1 -1 -1;...
  29. % -1 -1 -1 -1 1 1 -1 -1 -1 -1; -1 1 -1 -1 1 1 -1 -1 -1 -1;...
  30. % -1 -1 -1 -1 -1 1 -1 -1 -1 -1; -1 -1 -1 -1 1 1 -1 -1 1 -1];
  31. %
  32. % no2=[-1 1 1 1 -1 1 1 -1 1 -1;-1 1 1 1 1 1 1 1 1 -1;...
  33. % -1 -1 1 -1 1 -1 -1 1 1 -1;-1 -1 -1 1 -1 1 -1 1 1 -1;...
  34. % -1 1 1 1 1 1 1 1 1 -1;-1 1 1 1 1 1 1 1 1 -1;...
  35. % -1 1 1 -1 -1 -1 -1 -1 -1 -1;-1 1 1 -1 -1 -1 -1 -1 -1 -1;...
  36. % -1 1 1 1 -1 1 1 1 1 -1;-1 1 1 -1 1 1 1 1 1 -1];
  37. % -----------------------noise array(rand noise)-----------------
  38. rand('state', 0);
  39. for i= 1: 100
  40. a=rand;
  41. if a< 0.1
  42. one(i)=-one(i);
  43. two(i)=-two(i);
  44. end
  45. end
  46. no1=one;
  47. no2=two;
  48. % -------------------------plot noisy figure---------------
  49. subplot( 3, 2, 3)
  50. NO1=imresize(no1, 20);
  51. imshow(NO1)
  52. title( 'noisy number')
  53. subplot( 3, 2, 4)
  54. NO2=imresize(no2, 20);
  55. imshow(NO2)
  56. title( 'noisy number')
  57. % --------------------------plot identify figure--------------
  58. noise1={(no1) '};
  59. tu1=sim(net,{10,50},{},noise1);
  60. tu1{50}'
  61. subplot( 3, 2, 5)
  62. imshow(imresize(tu1{ 50} ',20))
  63. title('identify number')
  64. noise2={(no2) '};
  65. tu2=sim(net,{10,50},{},noise2);
  66. tu2{50}'
  67. subplot( 3, 2, 6)
  68. imshow(imresize(tu2{ 50} ',20))
  69. title('identify number')
  70. web -browser http: //www.ilovematlab.cn/thread-30439-1-1.html


  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: 离散Hopfield神经网络是一种常用的神经网络模型,它在实际应用中可用于解决许多问题。其中,针对控制问题,可以通过整定PID控制器来优化控制系统的性能。 首先,我们需要将PID控制器的三个参数(比例、积分、微分系数)转换为网络中的参数(耦合系数、神经元阈值)。然后,我们需要利用神经网络算法来训练这些参数,以达到最优的控制效果。 具体而言,该过程包括以下步骤: 1. 确定系统的控制目标和参数范围。 2. 将PID控制器参数转换为网络参数。其中,比例项和微分项对应耦合系数,积分项对应神经元阈值。 3. 根据转换后的网络模型,通过Hopfield算法进行训练,目标是最小化误差信号。 4. 进行模拟运行并调整参数,以达到最优的控制效果。 5. 针对实际情况,在训练后进一步优化网络结构。 总之,离散Hopfield神经网络整定PID可以较好地解决控制问题,优化系统性能。当然,这涉及到复杂的算法和模型设计,需要专业的技术支持和实践经验。 ### 回答2: 离散Hopfield神经网络是一种常用的神经网络模型,也是一种多层前馈神经网络,可用于解决非线性控制问题。PID控制器是一种经典的控制算法,被广泛应用于各种工业控制场合。离散Hopfield神经网络整调PID是将离散Hopfield神经网络应用于调节PID控制器参数的一种方法。 在离散Hopfield神经网络整定PID的过程中,首先需要将PID控制器模型转换为Hopfield神经网络的模型。然后,将PID控制器的比例系数、积分系数和微分系数作为神经元之间的连接权值,将偏差和输出之间的关系作为神经元的激励函数。 接下来,需要设置离散Hopfield神经网络的目标函数,以使其能够更好地完成PID控制的任务。例如,可以使用误差平方和来定义目标函数,使得神经网络能够学习到最优的PID控制器参数。然后,通过反向传播算法对神经网络进行训练,以达到最优的控制效果。 离散Hopfield神经网络整定PID的方法相比传统的PID整定方法具有许多优点,如可以自适应调整控制器参数,适用于非线性系统等。因此,在实际工程中,离散Hopfield神经网络整定PID方法被广泛的应用。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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