本文介绍了离散型Hopfield神经网络的结构、输入输出计算、能量定义及其随时间迭代的变化，以及网络权值的不同计算方法。网络结构为全连接无自环的无向图，通过并行或串行更新计算节点状态。网络能量会减小直至达到极小值，但混沌状态可能表明权值不合理。最后提到了几种学习规则，如外积法、正交设计法等，并预告了实例应用将在后续篇章中讨论。
以后要养成写博客的习惯，把学习到的东西总结一下。
一、离散型Hopfield神经网络结构
离散型hop的结构是一个没有自环的全连接无向图，也就是权值满足Wij=Wji，Wii=0。这一点和玻尔兹曼机BM很像。结构图如下
从上图可能不太好看出来，但是只要记住Hop的结构是一个全连接没有自环的无向图就可以了。注意Hop属于那种不分层的神经网络，因为没有层次可言。
二、输入输出和节点计算方法
假如无向图中有N个节点，也就是这个网络中有N个节点。那么着N个节点全部都作为输入，也就是对这些节点赋初值，用X0表示（这里的X0不是代表第0个节点的状态，而是一个向量，代表的是整个网络第0个时间的状态向量），有了权值，那么就可以计算第1个时间整个网络的状态等等一直到状态不再发生变化为止，即Xi-1=Xi的时候，Xi就是网络的输出。
至于第i个时间网络的整个状态Xi=（xi1，xi2，......xiN）每个节点xij应该怎么计算，是由以下方法计算的。
最低0.47元/天 解锁文章
扫一扫
983
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
