第3章神经网络资料.ppt

调节　的原则为：若 与 两个神经元同时处于兴奋状态，则它们之间的连接加强，即　 对于一给定的需记忆的样本向量　　　 ，如果 的状态值为＋1或－1，则其连接权系数的学习可以利用“外积规则”即 对于单端情况，即神经元的活跃值为1或0时，则权系数的学习规则为 具体的计算步骤可归结为：　1）置　　　；　2）输入 ，对所有连续对　　　的权系数分别按外积规则或单端状况计算。 　一旦学习完成，Hopfield网络就可以用作联想记忆　即对于某一带噪声的输入模式，Hopfield网络将收敛于与学习样本最相近的稳态模式。 学习规则 学习算法的基本公式为： 即计算每一个神经元节点的实际激活值　，并与期望状态　进行比较，若不满足要求，则将二者的误差值的一小部分作为调整量，调整具有激活输入（状态为1的输入端）的节点的权值或阀值；若满足要求，则相应的权值或阀值不需修整。 2、Hopfield神经网络的联想记忆 前面已经提到，能量井的存在为实现神经网络联想记忆提供了保证。同样，联想记忆功能也是DHNN的一个重要应用特征。要实现联想记忆，神经网络必须具备两个基本条件： 能够收敛于稳定状态，利用此稳态来记忆样本信息； 具有回忆能力，能够从某一局部输入信息回忆起与其相关的相似记忆，或者由等一残缺的信息回忆起比较完整的记忆。 DHNN实现联想记忆分为两个阶段，即学习记忆阶段和联记回忆阶段