原创力文档- 1、本文档共6页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
海明（Hamming)神经网络Hamming神经网络是实现误差最小的最优模式分类的一种神经网络模型，它根据网络输入与各样本间的Hamming距离（互不相同的二值符号位数）对输入模式进行分类。Hamming网络的基本结构如下图所示。1
x1x2xn-1xn……Hamming网2
Hamming网的基本结构Hamming网由高层及低层网两部分组成。低层网主要用于计算输入模式与诸样本模式的匹配测度;高层网通过“侧抑制”来检出对应于最佳匹配的那个输出结点。Lippman等人的研究报告指出，在执行模式分类时，Hamming网比Hopfield网有明显的优势，如Hamming网所需的连接数与网络节点数成线性关系，而Hopfield网所需的连接数与网络结点成平方关系。另外，与前面的BP网相比，Hamming网有：收敛快、不会陷入局部最小、加入新样本时不需重新学习等。3
Hamming网的学习算法(1)赋连接权值及阈值对低层对高层表示从输入i到结点j的权值，表示结点j的阈值；是高层网中从结点k到结点l的连接权值；是第j个样本模式的第i个元素值；n为样本或输入模式的元素个数；m为样本数目。4
（2）用未知输入模式进行初始化：5
（3）按下式迭代，直到网络收敛：已经证明，只要参数选择适当，则Hamming网一定收敛。在最坏情况下，收敛的时间复杂度为O(P=ln(PN)).其中，P是Hamming网的容量（结点总数），N是输入向量长度。6
文档评论（0）