第五篇 章 反馈神经网络.pptVIP

第五章 反馈神经网络 ;5 反馈神经网络 ;5.1.1 网络的结构与工作方式 ;(1)网络的状态 DHNN网中的每个神经元都有相同的功能，其输出称为状态，用 xj 表示。;j=1,2,…,n (5.1) ;若网络是不稳定的，由于DHNN网每个节点的状态只有1和-1两种情况，网络不可能出现无限发散的情况，而只可能出现限幅的自持振荡，这种网络称为有限环网络。 ;网络达到稳定时的状态X，称为网络的 吸引子。 ;定理5.1 对于DHNN 网，若按异步方式调整网络状态，且连接权矩阵W 为对称阵，则对于任意初态，网络都最终收敛到一个吸引子。 ;将式(5.4)、(5.6)代入(5.5)，则网络能量可进一步展开为 ;(5.9) ; 由于网络中各节点的状态只能取1 或 –1 ，能量函数E(t) 作为网络状态的函数是有下界的，因此网络能量函数最终将收敛于一个常数，此时ΔE(t)=0 。综上所述，当网络工作方式和权矩阵均满足定理5.1的条件时，网络最终将收敛到一个吸引子。 ;证明：由式(5.8)得 ; 以上分析表明，在网络从初态向稳态演变的过程中，网络的能量始终向减小的方向演变，当能量最终稳定于一个常数时，该常数对应于网络能量的极小状态，称该极小状态为网络的能量井，能量井对应于网络的吸引子。 ;性质1 ：若X 是网络的一个吸引子，且阈值T=0，在sgn(0)处，xj(t+1)=xj(t)，则 －X 也一定是该网络的吸引子。 ;性质2：若Xa是网络的一个吸引子，则与Xa的海明距离dH(Xa，Xb)=1的Xb一定不是吸引子。 ; 能使网络稳定在同一吸引子的所有初态的集合，称为该吸引子的吸引域。;例5.1 设有3节点DHNN网，用无向图表示如下，权值与阈值均已标在图中，试计算网络演变过程的状态。 ;解：设各节点状态取值为1 或0 ，3 节点DHNN 网络应有23=8种状态。不妨将X=(x1,x2,x3 )T=(0,0,0)T 作为网络初态，按1→2→3的次序更新状态。 ;第2步：此时网络状态为(1,0,0)T，更新x2后，得 x2=sgn[(-0.5)?1+0.6?0－0]=sgn(-0.5)=0 其它节点状态不变，网络状态仍为(1,0,0)T。如果本步先更新 x1 或 x3，网络相应状态将为(1,0,0)T和(1,0,1)T，因此本状态保持不变的概率为2/3，而变为(1,0,0)T 的概率为1/3。 ;DHNN网络状态演变示意图 ;为了使所设计的权值满足要求，权值矩阵应符合以下要求：;若取wjj=0，上式应写为 ;因为nP，所以有