3.2.2 感知机(hardlim, hardlims)
W总是和判定边界垂直,判定边界随b值平移。 当W是多个行向量组成的矩阵,每个行向量都有一个判定边界。因为边界是线性的,单层感知机只能识别线性可分的模式。
3.2.3 Hamming网络
专门求解二值模式识别问题(输入向量的每个元素只能是两个值中的一个,如[-1, 1])。两层:前馈层->递归层,两层神经元数目相同。
a1=purelin( W1*p1 + b1 ), a2(0)=a1, a2(t)=poslin( W2 * a2(t-1) )
Hamming网络目标是判定哪个标准向量最接近输入向量,每个标准模式均对应递归层中的一个神经元,递归收敛后只有一个神经元输出非0值。
前馈层用于实现每个标准模式与输入模式之间的相关检测,可以用标准模式配置权值矩阵的行。偏置元素值都相同,要保证输出值非负,这是递归层正常工作的前提。
递归层权值W2= (-e)*ones(S,S)+(e+1)*E, S为递归层神经元个数, e<1/(S-1),递归的结果就是保留最大的项,与max(a1)一样的效果。
3.2.4 Hopfield网络
能实现Hamming网络两层的一种递归网络。输入作为初始化向量a(0)=p,a(t+1)=satlins(Wa(t) + b)。与Hamming网络输出一个非零值表示某个标准模式不同,Hopfield直接输出一个标准模式。
感知机代表前馈网络,这种网络的输出直接根据输入计算出来,并无反馈。前馈网络适用于“分类”,也适用于函数拟合。
Hamming网络代表竞争网络,他们计算输入模式与标准模式之间的距离测度,并通过竞争来决定哪一个神经元表示的标准模式最接近输入模式。当给网络提供新的输入时,要对标准模式进行调整,这种自适应网络可以将输入聚类到不同类别。
Hopfield网络代表递归网络,主要用于联想存储,其存储的数据能由相关的输入数据回忆起来,而无需用一个地址对其访问。另外也可用于解决许多优化问题。