第四章反馈型神经网络.ppt

第四章 反馈型神经网络 第四章 反馈型神经网络 4.1 概述 4.2 离散型Hopfield神经网络 4.3 连续型Hopfield神经网络 4.4 Hopfield网络的应用实例 4.5 Boltzmann机 4.6 双向联想记忆网络 4.7 海明网络 4.1 概述 4.1.1 前馈型与反馈型神经网络的比较 4.1.2 反馈型神经网络模型 4.1.1 前馈型与反馈型神经网络的比较 (1) 前馈型神经网络只表达输入输出之间的映射关系，实现非线性映射；反馈型神经网络考虑输入输出之间在时间上的延迟，需要用动态方程来描述，反馈型神经网络是一个非线性动力学系统。 (2) 前馈型神经网络的学习训练主要采用BP算法，计算过程和收敛速度比较慢；反馈型神经网络的学习主要采用Hebb规则，一般情况下计算的收敛速度很快，并且它与电子电路有明显的对应关系，使得网络易于用硬件实现。 (3) 前馈型神经网络学习训练的目的是快速收敛，一般用误差函数来判定其收敛程度；反馈型神经网络的学习目的是快速寻找到稳定点，一般用能量函数来判别是否趋于稳定点。 (4)两者都有局部极小问题。 4.1.2 反馈型神经网络模型 一、网络结构 图4.1 单层全反馈型神经网络结构 输入输出关系为： j=1,2,…,n (4.1.1) 二、网络状态 (1)轨迹经过一段时间t (t0)后不会再延伸，而永远停留在X(t0+t)状态，这时称网络收敛到一个稳定点或平衡点。在一个反馈网络中，可能存在有多个稳定点，根据不同的情况，这些稳定点可分为： ① 渐近稳定点Xe ② 不稳定的平衡点Xf ③ 网络的解 ④ 网络的伪稳定点 (2)轨迹为环状，称为极限环。 (3)如果X(t)的轨迹在某个确定的范围内变化，但既不重复又不能停下来，状态变化为无穷多个，而轨迹也不发散到无穷远，这种现象成为混沌（Chaos）. (4)如果X(t)的轨迹随时间一直延伸到无穷远，此时状态发散，而系统的输出也发散。 三、网络的设计要求 (1)网络的稳定性 (2)网络的稳定点 (3)稳定点的吸引域 4.2 离散型Hopfield神经网络 4.2.1 离散型Hopfield神经网络模型 4.2.2 网络的稳定性定理 4.2.3 网络权值的学习 4.2.4 网络的稳定性实验 4.2.5 联想记忆 4.2.1 离散型Hopfield神经网络模型 一、网络结构 DHNN的结构是一个单层结构的全反馈网络，有n个节点，W是一个n×n的对称零对角权值矩阵，θ为n维阈值向量。每个节点可处于两个可能的状态之一，即1或-1。假设各节点的外加输入Ii=0，i=1,2,…,n。令Xi(t)表示t时刻节点i的状态，则节点i的下一个状态由下面算式决定： 网络的状态向量为X(t)∈{1,-1}n，且wii=0，i=1,2,…,n。 二、网络的工作方式 (1) 串行（异步）工作方式 任一时刻t，只有某一个节点i (随机地或确定性地选择)依据(4.2.1)和(4.2.2)式变化，而其余n-1个节点的状态保持不变，即： (2) 并行（同步）工作方式 任一时刻t，所有的节点都依据式(4.2.1)和(4.2.2)改变状态，即： 三、网络的状态 若网络从一个初态X(t0)出发，经过一个有限时刻t，网络的状态不再发生变化，即： 则称网络是稳定的，这时所有的节点输出不再变化，网络稳定在某一状态。 4.2.2 网络的稳定性定理 Hopfield定义了一个网络的能量函数： 由于Xi、Xj只可能为1或者为-1，wij、Ii有界，i、j=1,2,…,n，所以能量函数E也是有界的： 一、串行方式 定理4.1 当网络工作在串行