用组合方法改善离散Hopfield网络的联想性能.pdfVIP

用组合方法改善离散Hopfield网络的联想。I生能 徐永 (福建师范走学物理系，福州，350007) 异联想网络对输入模式进行变换，再送到ltopfield网络中运行，使嘲络的存储容量及样本吸引域均得到 了较大的提高。 样本吸引域 关键词Hopficld网络联想存储 l引言 网络尚存在着如F缺点(1】：一是存储容量低，如按Hebb学习算法构造的权矩阵，其容量 仅为字长的O．15倍：二是在运行过程中存在大量的非样本吸引子及少量的极限环p1，容 易引起混淆；三是当学习样本的距离太近时，各样本间无法分辨，联想能力差。为此， 许多学者进行了多方面的研究和改进12卜州。作者曾提出用网络组台的方法成功地将非样 本吸引予及振荡态识别了出来l’】。本文通过异联想网络与Hopfield阿络的结合，用正交 缱变换后的模式更接近其对应的样本矢量，网络的联想性能得到了改善。计算机模拟结 果表明，这种方法有尉于提商恻络的存储容量，扩人样本吸引域。 2离散Hopfield网络的改进 离散Hopfield神经网络是一具有”个输入节点的单层反馈网络，可存储材个模式 按Hebb学习算法产生： K=∑“?“?··8口 (1) 式中i，产1，2，．，”。上述连接权为埘称矩阵且w，，zO，即各单元闯无自反馈。网络 的状态变化方程为： 厂。 、 “；(H1)=SgnI∑wv～∥)| (2) ＼尸1 ／ Sgn(牡㈦x捌O (3) ·196· 用以上方法构造的网络进行联想存储时，其存储容量及吸引域均与样本的结构有 不均匀时，存储容量及正确回想率均较低；当样本间彼此正交时，存储容量及正确回想 交的矢量后再构造权矩阵12]。但该方法运算量大。不能用网络直接实现且容易导致有用 信息的丢失，并且不可能使变换后的样本中I和一1的个数相等且分布均匀。为此，本 方法直接用1和一1个数相等、分布满足要求的正交模式构造存储矩阵，计算简单，实 现容易，不会引起有用信息的丢失。 我们提出的组合联想网络模型如图1所示。图中的异联想矩阵辟-为根据样本矢量 特点构造的M个正交模式对％=眇，，…，n，]7按下式构成： 瞄 = 印 M∑d 式中旷为％的任一分量，虼的每个模式中l和一i的个数相等且分布较均匀，矿，为 样本矢量￡0的任一分量。样本矢量及输入模式在运行前均先送入异联想网络}K按下式 进行一次变换： 厂n 、 V，=Sgnf∑w；∽l (5) ＼l=l ／ 络【7】，因而一般可保证输入样本经该阀络一次变换后得到正确输出，非样本模式也能被 变换成较接近其对应样本的模式。 J亚馈 围I组台联想厢络模型 wfI V (6) ^V ∑M v：一M·6。 训练时，先用一组根据样本矢量的特点构造的正交模式按(4)式组成异联想网络 送到嬲络％变换戍较接近其对应样本韵模式怍{v，)(严1．2，…，n)，再进入％中运 行。因此，异联想网络巩相当于一个模式变换器，它将输入模式变换成1和一1个数及 分布较为均