常見神經(jīng)網(wǎng)絡(luò)模型ppt課件-閱讀頁
2025-01-20 10:17本頁面
【正文】 Hopfield反饋神經(jīng)網(wǎng)絡(luò)由于其輸出端有反饋到其輸入端，所以， Hopfield網(wǎng)絡(luò)在輸入的激勵下，會產(chǎn)生不斷的狀態(tài)變化。 對于一個 Hopfield網(wǎng)絡(luò)來說，關(guān)鍵是在于確定它在穩(wěn)定條件下的權(quán)系數(shù)。所輸出的離散值 1和 0分別表示神經(jīng)元處于激活和抑制狀態(tài)。對于一個輸出層是 n個神經(jīng)元的網(wǎng)絡(luò)，則其 t時刻的狀態(tài)為一個 n維向量：Y(t)=[Y1(t),Y2(t),...,Yn(t)]T 因為 Yj(t)(j＝ 1…… n)可以取值為 1或 0，故 n維向量 Y(t)有 2n種狀態(tài)，即是網(wǎng)絡(luò)狀態(tài)。 穩(wěn)定狀態(tài) ： 神經(jīng)網(wǎng)絡(luò)從任一初態(tài) Y(0)開始運動，并存在某一有限時刻 ts， 從 ts以后神經(jīng)網(wǎng)絡(luò)的狀態(tài)不再發(fā)生變化，則稱網(wǎng)絡(luò)是穩(wěn)定的。 25 三、 Hopfield網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 狀態(tài)轉(zhuǎn)移 ： 單個神經(jīng)元：激活： 0→1 ， 1 →0 未激活：狀態(tài)保持 整個網(wǎng)絡(luò)：某一時刻只有一個神經(jīng)元被選擇進行狀態(tài)更新，該節(jié)點的狀態(tài)變化時，整個網(wǎng)絡(luò)狀態(tài)以某一概率轉(zhuǎn)移到另一狀態(tài)。在圖中，立方體的每一個頂角表示一種網(wǎng)絡(luò)狀態(tài)。 27 三、 Hopfield網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 狀態(tài)轉(zhuǎn)移舉例 ： 例 43 問題 ：為什么各個狀態(tài)的排列有層次呢？ 28 三、 Hopfield網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 能量函數(shù)： 能量函數(shù)是一個 Liapunov函數(shù)。 給定一個初始狀態(tài)，則 DHNN網(wǎng)絡(luò)的狀態(tài)總是沿著能量減小的方向變化，最終收斂到穩(wěn)定狀態(tài)。 29 三、 Hopfield網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 Hopfield網(wǎng)絡(luò)的一個功能是可用于聯(lián)想記憶，這是人類的智能特點之一。 DHNN網(wǎng)絡(luò)的能量極小狀態(tài)又稱為能量井，為信息的存儲記憶提供了基礎(chǔ)。 30 三、 Hopfield網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 學(xué)習(xí)記憶階段： 對于 Hopfield網(wǎng)絡(luò)，用它作聯(lián)想記憶時，首先通過一個學(xué)習(xí)訓(xùn)練過程確定網(wǎng)絡(luò)中的權(quán)系數(shù)，使所記憶的信息在網(wǎng)絡(luò)的 n維超立方體的某一個頂角的能量最小。 31 三、 Hopfield網(wǎng)絡(luò) 常見神經(jīng)網(wǎng)絡(luò)模型 舉例：設(shè)計一個具有兩個能量井 [1， 1]和 [1， 1]的Hopfield網(wǎng)絡(luò)。連續(xù)Hopfield網(wǎng)絡(luò)和離散Hopfield網(wǎng)絡(luò)不同的地方在于其激勵函數(shù)不是階躍函數(shù)，而是 S形的連續(xù)函數(shù)。 在實際應(yīng)用中，任何一個系統(tǒng)，如果其優(yōu)化問題可以用能量函數(shù) E(t)作為目標函數(shù)，那么，總可以用連續(xù) Hopfield網(wǎng)絡(luò)對其進行求解。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1