单层感知器、线性神经网络、BP神经网络都属于前向神经网络,各层神经元节点接受前一层输入的数据,经过处理输出到下一层,数据正向流动,没有反馈连接。前向线性神经网络的输出仅由当前的输入和网络的权值决定,而本次分享的反馈神经网络Hopfield的输出除了与当前输入和网络权值有关以外,还与网络之前的输入有关。
1982年,美国加州理工学院的J.Hopfield教授提出了一种单层反馈神经网络,称为Hopfield网络,该网络具有比前向神经网络更强的计算能力,突出优点是具有很强的联想记忆和优化技术功能。Hopfield网络分为离散型和连续型两种网络模型,分别为DHNN和CHNN
1、DHNN的网络结构
图9-1是四个神经元的Hopfield网络,每一个神经元的输出都会输入到其他的神经元,b为偏置项;w为权重,具有对称性,例如W12=W21;x即使输入值,也是输出值,一般是二值的,不同的书写法不一样,有的认为是-1和1,有的认为是0和1;仔细理解一下,发现图9-1和图9-2的形式是等价的。
2、网络的状态
3、网络的工作方式
4、网络的稳定性
5、吸引子与能量函数
5.1、吸引子的定义与定理
5.2、吸引子的性质
6、DHNN网络的演变以及权值设计
6.1、DHNN网络的演变
图(a)表示神经元的值以及神经元对应的权值,图(b)表示网络之间的演变。
6.2、网络的权值设计
其实满足(6.10)-(6.15)的解有无穷多个。
7、关于DHNN信息存储容量
总之:
8、其他
另外CHNN可以解决TSP问题,有兴趣的读者可以参考《人工神经网络理论、设计及应用_第2版》书籍。