人工神经网络之反馈型网络课件整理.pptVIP

其中xj为外部输入,并且有 yj=1,当uj??j时 yj=0,当uj?j时 对于DHNN,其网络状态是输出神经元信息的集合. 对于一个输出层是n个神经元的网络,则其t时刻的状态为一个n维向量: y(t)=[y1(t),y2(t),...,yn(t)]? 因为yi(t)可以取值为1或0,故n维向量y(t),即网络状态,有2n种状态. 离散Hopfield网络的结构 对于3个神经元的DHNN,它的输出层就是3位二进制数.每一个3位二进制数就是一种网络状态,从而共有8个网络状态,如图2中所示. 在图中,立方体的每一个顶角表示一种网络状态. 同理,对于n个神经元的输出层,它有2n个网络状态,也和一个n维超立方体的顶角相对应. 如果HNN是一个稳定网络,那么在网络的输入端加入一个输入向量,则网络的状态会产生变化,也就是从超立方体的一个顶角转移向另一个顶角,并且最终稳定于某顶角. 离散Hopfield网络的结构 对于一个由n个神经元组成的DHNN,则有n?n权系数矩阵w={wij|i=1,2,...,n; j=1,2,...,n},同时,有n维阈值向量?=[?1,?2,...,?n]?. 一般而言,w和?可以确定一个唯一的DHNN. 对于图3.1所示的三神经元组成的HNN,也可以用图3.3所示的图形表示,这两个图形的意义是一样的. 离散Hopfield网络的结构 考虑DHNN的节点状态