1 连续型Hopfield神经网络
连续型Hopfield网络结构如右图所示,它是单层反馈非线性网络,每一个节点的输出均反馈至节点的输入。
Hopfield网络用模拟电路实现的神经元节点如下图。 图中电阻
R
i
0
R_{i0}
Ri0 和电容
C
i
C_i
Ci 并联, 模拟生物神经元的延时特性, 电阻
R
i
j
(
j
=
1
,
2
,
.
.
.
,
n
)
R_{ij}(j=1, 2, ... , n)
Rij(j=1,2,...,n) 模拟突触特征 ,偏置电流
I
i
I_i
Ii 相当于阈值, 运算放大器模拟神经元的非线性饱和特性。
设模型中放大器为理想放大器, 其输入端无电流输入, 则第 i 个放大器的输入方程为:
C
i
d
U
i
d
t
=
−
U
i
R
i
0
+
∑
j
=
1
n
W
i
j
(
V
i
−
U
i
)
+
I
i
W
i
j
=
1
R
i
j
\begin{array}{l} C_{i} \frac{d U_{i}}{d t}=-\frac{U_{i}}{R_{i0}}+\sum\limits_{j=1}^{n} W_{i j}\left(V_{i}-U_{i}\right)+I_{i} \\ W_{i j}=\frac{1}{R_{i j}} \end{array}
CidtdUi=−Ri0Ui+j=1∑nWij(Vi−Ui)+IiWij=Rij1
连续型 HopfieId 动态神经网络模型如下图所示,取
W
i
j
=
W
j
i
,
W
i
i
=
0
W_{ij}=W_{ji},\;W_{ii}=0
Wij=Wji,Wii=0 (无自反馈)
设
1
R
i
=
1
R
i
0
+
∑
j
=
1
n
W
i
j
\frac{1}{R_i}=\frac{1}{R_{i0}}+\sum\limits_{j=1}^nW_{ij}
Ri1=Ri01+j=1∑nWij
则有:
{
C
i
d
U
i
d
t
=
−
U
i
R
i
+
∑
j
=
1
n
W
i
j
V
i
+
I
i
V
i
=
f
(
U
i
)
(1)
\left\{ \begin{array}{l} C_{i} \frac{d U_{i}}{d t}=-\frac{U_{i}}{R_{i}}+\sum\limits_{j=1}^{n} W_{i j}V_{i}+I_{i} \\ V_i=f(U_i) \end{array} \right. \tag{1}
⎩⎨⎧CidtdUi=−RiUi+j=1∑nWijVi+IiVi=f(Ui)(1)
一般设
{
U
=
x
V
=
y
R
i
C
i
=
τ
I
C
=
θ
\left\{ \begin{aligned} &U=x\\ &V=y\\ &R_iC_i=\tau\\ &\frac{I}{C}=\theta \end{aligned} \right.
⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧U=xV=yRiCi=τCI=θ
{ d x i d t = − 1 τ x i + 1 C i ∑ j W i j y j + θ i y i = f ( x i ) \left\{\begin{array}{l} \frac{d x_{i}}{d t}=-\frac{1}{\tau} x_{i}+\frac{1}{C_{i}} \sum\limits_{j} W_{i j} y_{j}+\theta_{i} \\ y_{i}=f\left(x_{i}\right) \end{array}\right. {dtdxi=−τ1xi+Ci1j∑Wijyj+θiyi=f(xi)
式中 f(x)为S形激励函数。一般有以下两种形式:
- 非对称型 Sigmoid 函数: f ( x ) = 1 1 + e − x f(x)=\frac{1}{1+e^{-x}} f(x)=1+e−x1
- 对称型 Sigmoid 函数: f ( x ) = 1 − e − x 1 + e − x f(x)=\frac{1-e^{-x}}{1+e^{-x}} f(x)=1+e−x1−e−x
2 能量函数
能量函数的定义
E
=
−
1
2
∑
i
=
1
n
∑
j
=
1
n
W
i
j
V
i
V
j
−
∑
i
=
1
n
V
i
I
i
+
∑
i
=
1
n
1
R
i
∫
0
V
i
f
−
1
(
V
)
d
V
E=-\frac{1}{2} \sum_{i=1}^{n} \sum_{j=1}^{n} W_{i j} V_{i} V_{j}-\sum_{i=1}^{n} V_{i} I_{i}+\sum_{i=1}^{n} \frac{1}{R_{i}} \int_{0}^{V_{i}} f^{-1}(V) d V
E=−21i=1∑nj=1∑nWijViVj−i=1∑nViIi+i=1∑nRi1∫0Vif−1(V)dV
对 ∑ i = 1 n 1 R i ∫ 0 V i f − 1 ( V ) d V \sum_{i=1}^{n} \frac{1}{R_{i}} \int_{0}^{V_{i}} f^{-1}(V)dV ∑i=1nRi1∫0Vif−1(V)dV 的 V i V_i Vi 求导:积分的求导就是 f − 1 ( V i ) f^{-1}(V_i) f−1(Vi) 了,由于 V i = f ( U i ) V_i=f(U_i) Vi=f(Ui),所以 ∂ ∑ i = 1 n 1 R i ∫ 0 V i f − 1 ( V ) d V ∂ V i = U i \frac{\partial \sum_{i=1}^{n} \frac{1}{R_{i}} \int_{0}^{V_{i}} f^{-1}(V)dV}{\partial V_i}=U_i ∂Vi∂∑i=1nRi1∫0Vif−1(V)dV=Ui
求取
d
E
d
t
\frac{dE}{dt}
dtdE:
d
E
d
t
=
∑
i
∂
E
∂
V
i
d
V
i
d
t
(2)
\frac{d E}{d t}=\sum_{i} \frac{\partial E}{\partial V_{i}} \frac{d V_{i}}{d t} \tag{2}
dtdE=i∑∂Vi∂EdtdVi(2)
其中:
∂
E
∂
V
i
=
−
1
2
∑
j
W
i
j
V
j
−
1
2
∑
j
W
j
i
V
j
−
I
i
+
1
R
i
U
i
\frac{\partial E}{\partial V_{i}}=-\frac{1}{2} \sum_{j} W_{i j} V_{j}-\frac{1}{2} \sum_{j} W_{j i} V_{j}-I_{i}+\frac{1}{R_{i}} U_{i}
∂Vi∂E=−21j∑WijVj−21j∑WjiVj−Ii+Ri1Ui
由于
W
i
j
=
W
j
i
W_{ij}=W_{ji}
Wij=Wji,则有:
∂
E
∂
V
i
=
−
∑
j
W
i
j
V
j
−
I
i
+
1
R
i
U
i
\frac{\partial E}{\partial V_i}=-\sum\limits_j W_{ij}V_j-I_i+\frac{1}{R_i}U_i
∂Vi∂E=−j∑WijVj−Ii+Ri1Ui
由连续 Hopfield 运行方程 (1) 可得:
∂
E
∂
V
i
=
−
C
i
d
U
i
d
t
=
−
C
i
(
d
V
i
d
t
)
d
U
i
d
V
i
=
−
C
i
(
d
V
i
d
t
)
d
d
V
i
f
−
1
(
V
i
)
\frac{\partial E}{\partial V_i}=-C_i\frac{dU_i}{dt}=-C_i\left(\frac{dV_i}{dt}\right)\frac{dU_i}{dV_i}=-C_i\left(\frac{dV_i}{dt}\right)\frac{d}{dV_i}f^{-1}(V_i)
∂Vi∂E=−CidtdUi=−Ci(dtdVi)dVidUi=−Ci(dtdVi)dVidf−1(Vi)
将上式代入式 (2) 可得:
d
E
d
t
=
−
∑
i
C
i
(
d
V
i
d
t
)
2
f
−
1
(
V
i
)
\frac{dE}{dt}=-\sum_iC_i\left(\frac{dV_i}{dt}\right)^2f^{-1}(V_i)
dtdE=−i∑Ci(dtdVi)2f−1(Vi)
由于
C
i
>
0
,
f
(
U
)
C_i>0,\; f(U)
Ci>0,f(U) 单调递增,故
f
−
1
(
V
)
f^{-1}(V)
f−1(V)也单调递增, 可得:
d
E
d
t
≤
0
\frac{dE}{dt}\le 0
dtdE≤0
当且仅当, d V i d t = 0 \frac{dV_i}{dt}=0 dtdVi=0 时, d E d t = 0 \frac{dE}{dt}=0 dtdE=0
结论: 网络是渐进稳定的, 随着时间的推移, 网络的状态向E减小的方向运动, 其稳定平衡状态就是E的极小点。
没看懂看这里
3 连续型 Hopfield 神经网络特点
连续神经网络模型在简化生物神经元性质的同时,重点突出了以下特点:
a. 神经元作为一个输入输出变换,其传输特性具有 sigmoid 特性。
b. 神经元之间大量的兴奋性、抑制性连接,主要通过反馈来实现。
C. 既代表产生动作电位的神经元又代表按渐进方式工作的神经元。
因此, 连续神经网络模型准确地保留了生物神经网络的动态和非线形特征。