Hopfield神經網路 簡介

2022-02-24 09:36:18 字數 2305 閱讀 4828

【hopfield和bp同一時期】:bp屬於前饋式型別,但是和bp同一時期的另外乙個神經網路也很重要,那就是hopfield神經網路,他是反饋式型別。這個網路比bp出現的還早一點,

【hopfield網路的權值不是通過訓練出來的,而是按照一定規則計算出來的】:他的學習規則是基於灌輸式學習,即網路的權值不是通過訓練出來的,而是按照一定規則計算出來的, hopfield神經網路就是採用了這種學習方式,其權值一旦確定就不在改變,而網路中各神經元的狀態在執行過程中不斷更新,網路演變到穩定時各神經元的狀態便是問題之解。

【其它網路的基礎】:在這裡簡要解釋一下為什麼要學習這個神將網路,因為深度學習演算法起源**於這裡還有bp,從這裡開始後面會引入玻爾茲曼機、受限玻爾茲曼機、深度置信網路,徑向基逼向器、卷積神經網路、遞迴神經網路。(1)、離散的hopfield網路用於聯想記憶

(2)、連續的hopfield網路用於求解最優化問題**或參考:hopfield神經網路

2023年,生物物理學家j.hopfield提出了一種新穎的人工神經網路模型——hopfield網路模型,引入了能量函式的概念,是乙個非線性動力學系統。

(1) 離散的hopfield網路用於聯想記憶

(2) 連續的hopfield網路用於求解最優化問題

1.離散型hopfield神經網路

能量函式

能量函式e按照迭代一定會下降(證明我一直卡在乙個地方,後來發現xi改變了,不僅改變了該節點的能量,而且對其它節點也有影響,故把證明貼上來,免得自己忘記)

證明:

無論x從-1變到1還是從1變到-1,能量都是下降的。

特點:結點輸出為-1或+1

用途聯想記憶(自聯想,互聯想)

(1) 先訓練出權值w

(2) 根據輸入進行迭代,回憶出聯想的結果

2.連續型hopfield神經網路

能量函式:

其中f為signmoid函式,能量函式e按照迭代一定會下降(證明請見專門教材)

特點:結點輸出為(-1, +1)間的連續值

用途最優化求解(如tsp問題)

(1) 把目標函式轉化為網路的能量函式

(2) 問題的變數對應於網路的狀態

(3) 當網路的能量函式收斂於極小值時,網路的狀態對應最優解

小結

優點:成功解決了tsp問題

缺點:因為是貪心演算法,故容易陷入區域性最小值(解決方法:boltzmann機引入模擬退火,是其改進)

[1] 馬銳. [m] 人工神經網路原理. 機械工業出版社

[2]

**或參考:深度學習 --- hopfield神經網路詳解

前面幾節我們詳細**了bp神經網路,基本上很全面深入的**了bp,bp屬於前饋式型別,但是和bp同一時期的另外乙個神經網路也很重要,那就是hopfield神經網路,他是反饋式型別。這個網路比bp出現的還早一點,他的學習規則是基於灌輸式學習,即網路的權值不是通過訓練出來的,而是按照一定規則計算出來的, hopfield神經網路就是採用了這種學習方式,其權值一旦確定就不在改變,而網路中各神經元的狀態在執行過程中不斷更新,網路演變到穩定時各神經元的狀態便是問題之解。在這裡簡要解釋一下為什麼要學習這個神將網路,因為深度學習演算法起源**於這裡還有bp,從這裡開始後面會引入玻爾茲曼機、受限玻爾茲曼機、深度置信網路,徑向基逼向器、卷積神經網路、遞迴神經網路。因此從這裡一步步的深入進去是很好的開始,等到卷積你會有總體感,不會覺得太突兀。

hopfield神經網路分為離散型和連續型兩種網路模型,分別記為dhnn(discrete hopfield neural network)和chnn(continues hopfield neural network),這裡主要討論離散型網路模型,下面預設都是離散型的。

Hopfield神經網路

import numpy as np import neurolab as nl import matplotlib.pyplot as plt 0 1 2 16 8 target np.array 0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,0,0,0,1,0,0,1,0,0,0,...

hopfield神經網路

初次接觸hopfield神經網路,有一些約束沒有注意,導致生出很多愚蠢的想法。一 hopfield神經網路其實沒有層的概念,所有的神經元全連線就形成了乙個hopdield神經網路的基本結構。既然是全連線,那麼誰先誰後 誰左誰右就沒有意義了,反正都是互聯的。二 hopfield神經網路既然沒有層的概念...

Hopfield神經網路

多層神經網路 模式識別 相互連線型網路 通過聯想記憶去除資料中的雜訊 1982年提出的hopfield神經網路是最典型的相互鏈結型網路。當輸入模式為某種狀態時,輸出端要給出與之相應的輸出模式。如果輸入模式與輸出模式一致,稱為自聯想記憶,否則,稱為異聯想記憶。網路結構上,hopfield神經網路是一種...