连续型Hopfield神经网络(SHNN)结构和特点及其能量函数
1 连续型Hopfield神经网络
连续型Hopfield网络结构如右图所示,它是单层反馈非线性网络,每一个节点的输出均反馈至节点的输入。
Hopfield网络用模拟电路实现的神经元节点如下图。 图中电阻 Ri0R_{i0}Ri0 和电容 CiC_iCi 并联, 模拟生物神经元的延时特性, 电阻 Rij(j=1,2,...,n)R_{ij}(j=1, 2, ... , n)Rij(j=1,2,...,n) 模拟突触特征 ,偏置电流 IiI_iIi 相当于阈值, 运算放大器模拟神经元的非线性饱和特性。
设模型中放大器为理想放大器, 其输入端无电流输入, 则第 i 个放大器的输入方程为:
CidUidt=−UiRi0+∑j=1nWij(Vi−Ui)+IiWij=1Rij\begin{array}{l} C_{i} \frac{d U_{i}}{d t}=-\frac{U_{i}}{R_{i0}}+\sum\limits_{j=1}^{n} W_{i j}\left(V_{i}-U_{i}\right)+I_{i} \\ W_{i j}=\frac{1}{R_{i j}} \end{array} CidtdUi=−Ri0Ui+j=1∑nWij(Vi−Ui)+IiWij=Rij1
连续型 HopfieId 动态神经网络模型如下图所示,取 Wij=Wji,Wii=0W_{ij}=W_{ji},\;W_{ii}=0Wij=Wji,Wii=0 (无自反馈)
设
1Ri=1Ri0+∑j=1nWij\frac{1}{R_i}=\frac{1}{R_{i0}}+\sum\limits_{j=1}^nW_{ij} Ri1=Ri01+j=1∑nWij
则有:
{CidUidt=−UiRi+∑j=1nWijVi+IiVi=f(Ui)(1)\left\{ \begin{array}{l} C_{i} \frac{d U_{i}}{d t}=-\frac{U_{i}}{R_{i}}+\sum\limits_{j=1}^{n} W_{i j}V_{i}+I_{i} \\ V_i=f(U_i) \end{array} \right. \tag{1} ⎩⎨⎧CidtdUi=−RiUi+j=1∑nWijVi+IiVi=f(Ui)(1)
一般设
{U=xV=yRiCi=τIC=θ\left\{ \begin{aligned} &U=x\\ &V=y\\ &R_iC_i=\tau\\ &\frac{I}{C}=\theta \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧U=xV=yRiCi=τCI=θ
{dxidt=−1τxi+1Ci∑jWijyj+θiyi=f(xi)\left\{\begin{array}{l} \frac{d x_{i}}{d t}=-\frac{1}{\tau} x_{i}+\frac{1}{C_{i}} \sum\limits_{j} W_{i j} y_{j}+\theta_{i} \\ y_{i}=f\left(x_{i}\right) \end{array}\right. {dtdxi=−τ1xi+Ci1j∑Wijyj+θiyi=f(xi)
式中 f(x)为S形激励函数。一般有以下两种形式:
- 非对称型 Sigmoid 函数:f(x)=11+e−xf(x)=\frac{1}{1+e^{-x}}f(x)=1+e−x1
- 对称型 Sigmoid 函数:f(x)=1−e−x1+e−xf(x)=\frac{1-e^{-x}}{1+e^{-x}}f(x)=1+e−x1−e−x
2 能量函数
能量函数的定义
E=−12∑i=1n∑j=1nWijViVj−∑i=1nViIi+∑i=1n1Ri∫0Vif−1(V)dVE=-\frac{1}{2} \sum_{i=1}^{n} \sum_{j=1}^{n} W_{i j} V_{i} V_{j}-\sum_{i=1}^{n} V_{i} I_{i}+\sum_{i=1}^{n} \frac{1}{R_{i}} \int_{0}^{V_{i}} f^{-1}(V) d V E=−21i=1∑nj=1∑nWijViVj−i=1∑nViIi+i=1∑nRi1∫0Vif−1(V)dV
对 ∑i=1n1Ri∫0Vif−1(V)dV\sum_{i=1}^{n} \frac{1}{R_{i}} \int_{0}^{V_{i}} f^{-1}(V)dV∑i=1nRi1∫0Vif−1(V)dV 的 ViV_iVi 求导:积分的求导就是 f−1(Vi)f^{-1}(V_i)f−1(Vi) 了,由于 Vi=f(Ui)V_i=f(U_i)Vi=f(Ui),所以 ∂∑i=1n1Ri∫0Vif−1(V)dV∂Vi=Ui\frac{\partial \sum_{i=1}^{n} \frac{1}{R_{i}} \int_{0}^{V_{i}} f^{-1}(V)dV}{\partial V_i}=U_i∂Vi∂∑i=1nRi1∫0Vif−1(V)dV=Ui
求取 dEdt\frac{dE}{dt}dtdE:
dEdt=∑i∂E∂VidVidt(2)\frac{d E}{d t}=\sum_{i} \frac{\partial E}{\partial V_{i}} \frac{d V_{i}}{d t} \tag{2} dtdE=i∑∂Vi∂EdtdVi(2)
其中:
∂E∂Vi=−12∑jWijVj−12∑jWjiVj−Ii+1RiUi\frac{\partial E}{\partial V_{i}}=-\frac{1}{2} \sum_{j} W_{i j} V_{j}-\frac{1}{2} \sum_{j} W_{j i} V_{j}-I_{i}+\frac{1}{R_{i}} U_{i} ∂Vi∂E=−21j∑WijVj−21j∑WjiVj−Ii+Ri1Ui
由于 Wij=WjiW_{ij}=W_{ji}Wij=Wji,则有:
∂E∂Vi=−∑jWijVj−Ii+1RiUi\frac{\partial E}{\partial V_i}=-\sum\limits_j W_{ij}V_j-I_i+\frac{1}{R_i}U_i ∂Vi∂E=−j∑WijVj−Ii+Ri1Ui
由连续 Hopfield 运行方程 (1) 可得:
∂E∂Vi=−CidUidt=−Ci(dVidt)dUidVi=−Ci(dVidt)ddVif−1(Vi)\frac{\partial E}{\partial V_i}=-C_i\frac{dU_i}{dt}=-C_i\left(\frac{dV_i}{dt}\right)\frac{dU_i}{dV_i}=-C_i\left(\frac{dV_i}{dt}\right)\frac{d}{dV_i}f^{-1}(V_i) ∂Vi∂E=−CidtdUi=−Ci(dtdVi)dVidUi=−Ci(dtdVi)dVidf−1(Vi)
将上式代入式 (2) 可得:
dEdt=−∑iCi(dVidt)2f−1(Vi)\frac{dE}{dt}=-\sum_iC_i\left(\frac{dV_i}{dt}\right)^2f^{-1}(V_i) dtdE=−i∑Ci(dtdVi)2f−1(Vi)
由于 Ci>0,f(U)C_i>0,\; f(U)Ci>0,f(U) 单调递增,故 f−1(V)f^{-1}(V)f−1(V)也单调递增, 可得:
dEdt≤0\frac{dE}{dt}\le 0 dtdE≤0
当且仅当,dVidt=0\frac{dV_i}{dt}=0dtdVi=0 时,dEdt=0\frac{dE}{dt}=0dtdE=0
结论: 网络是渐进稳定的, 随着时间的推移, 网络的状态向E减小的方向运动, 其稳定平衡状态就是E的极小点。
没看懂看这里
3 连续型 Hopfield 神经网络特点
连续神经网络模型在简化生物神经元性质的同时,重点突出了以下特点:
a. 神经元作为一个输入输出变换,其传输特性具有 sigmoid 特性。
b. 神经元之间大量的兴奋性、抑制性连接,主要通过反馈来实现。
C. 既代表产生动作电位的神经元又代表按渐进方式工作的神经元。
因此, 连续神经网络模型准确地保留了生物神经网络的动态和非线形特征。
连续型Hopfield神经网络(SHNN)结构和特点及其能量函数相关推荐
- 离散型Hopfield神经网络详解
DHNN详解目录 hopfield hopfield类型 DHNN网络模型 DHNN网络的运行过程 DHNNN网络的状态 DHNN网络的输入 DHNN网络的演变规律(转移函数) DHNN网路的异步工作 ...
- Hebb学习规则与Hopfield神经网络
前言 本文简单介绍了一下Hebb学习规则和Hopfield神经网络,并讨论了二者的特性和意义,以及它们之间的联系.最后代码实现了一个简单Hopfield网络,能够记忆并联想回忆出一张图片. Hebb学 ...
- 《人工神经网络原理》读书笔记(五)-Hopfield神经网络
全部笔记的汇总贴:<人工神经网络原理>-读书笔记汇总 Hopfield神经网络丢弃了"层次"概念,创造出无层次的全互联型神经网络. 引入了"能量函数" ...
- Hopfield神经网络和TSP问题
一.TSP问题 旅行商问题,又叫货郎担问题.它是指如下问题:在完全图中寻找一条最短的哈密尔顿回路. 哈密尔顿回路问题:给定一个图,判断图中是否存在哈密尔顿回路. 哈密尔顿回路:寻找一条回路,经过图中所 ...
- TSP问题—Hopfield神经网络算法实现
''' 连续型--Hopfield神经网络求解TSP 1.初始化权值(A,D,U0) 2.计算N个城市的距离矩阵dxy 3.初始化神经网络的输入电压Uxi和输出电压Vxi 4.利用动力微分方程计算:d ...
- Hopfield神经网络解决TSP问题(Java)
目录 一.网络原理 二.算法步骤 三.代码实现 (Java) 四.所用jar包 一.网络原理 Hopfield神经网络(HNN)是一种全互联反馈神经网络,它的每一个神经元都和其他神经元连接. Hopf ...
- 人工智能之Hopfield神经网络(HNN)
感觉这位大佬说的不错,搬了过来,后面附上原文链接 神经网络在1980年代复兴归功于物理学家约翰·霍普菲尔德(Hopfield).1982年,霍普菲尔德提出了一种新的神经网络,可以解决一大类模式识别问题 ...
- Hopfield神经网络及其改进
离散型Hopfield神经网络 J. J. Hopfield 离散Hopfield神经网络模型 网络结构: 离散Hopfield神经网络模型输入输出关系: 网络的稳定性 稳定性定义: 若从某一时刻开始 ...
- DL之HNN:Hopfield神经网络(HNN之DHNN、CHNN)的相关论文、简介、使用案例之详细攻略
DL之HNN:Hopfield神经网络(HNN之DHNN.CHNN)的相关论文.简介.使用案例之详细攻略 导读:Hopfield神经网络(HNN)是一种具有循环.递归特性,结合存储和二元系统的神经网络 ...
最新文章
- memset函数详细说明
- python入门小练习_python入门题目小练
- 蓝桥杯-本质上升序列-java
- Essential Studio for mobile MVC中2种添加移动图表到MVC3 ASPX应用程序中的方法
- 动态rem与1px边框问题的理解
- 集群搭建SSH的作用及这些命令的含义
- 在Mac上安装Hadoop
- Redis客户端命令行redis-cli操作
- 小程序 报错errMsg: “hideLoading:fail:toast can‘t be found“ ?
- 定位到元素后获取其属性_Selenium界面自动化测试(4)(Python):元素定位及操作...
- 读《我们终将逝去的青春》
- 用 TigerVNC 实现 Linux 远程桌面
- docker启动nginx后挂了_使用docker启动nginx并挂载配置nginx
- 免费开源字体_7种华丽的免费开源字体以及何时使用它们
- Matlab 函数文件简介
- 【Tensorflow】基于卷积神经网络实现车牌的识别
- 锁相环倍频原理简要分析
- download sources报错: Cannot connect to the Maven process. Try again later. If the problem persists
- 计算机一级wps office考试题库,2017计算机一级WPSOffice复习题(含答案)
- Github 最受欢迎的 35 个项目一览