Нейронные сети и нейроконтроллеры. Бураков М.В. - 161 стр.

UptoLike

ВУЗ: 

СПб ГУАП | Санкт-Петербург

Составители: 

Рубрика: 

161
Тогда
1( ) ()
.
**
j pj p i ip p j pj p i ip p
j ij i
E Et Et
xw x xw x xw x xw x
∆ = +- =
=- - + +
åååå
Поскольку весовая матрица симметрична, можно записать
2 ().
*
i pi p p
i
E xw x x∆ =-
å
Возможны два варианта изменения энергии:
1 1 1 ( ) 2 0 0
2 1 1 ( ) 2 0 0
,
.
**
p p p p i pi
i
**
p p p p i pi
i
.x ,x x x , xw E
.x ,x x x , xw E
∆
∆
=- = Þ - =- > Þ <
= =- Þ - = < Þ <
å
å
Таким образом, приращение энергии всегда оказывается отри-
цательным.
По существующим оценкам, информационная емкость сети
Хопфилда сравнительно невелика – число случайных образов М,
которые может запомнить сеть, связано с числом нейронов сети N
формулой
M ≤ 0,15N.
Рассмотрим примеры работы с сетью Хопфилда в MatLab.
Сеть Хопфилда имеет один нейронный слой с функциями взве-
шивания dotprod, накопления netsum и линейной ограниченной
функцией активизации satlins. Слой охвачен динамической обрат-
ной связью с весами LW{1,1} и имеет смещения (рис. 6.8).
Активационная функция нейронов приведена на рис. 6.9.
Функция для создания сети Хопфилда имеет вид
>> net = newhop(T)
где Т – массив элементов размером R×Q, объединяющий Q целевых
векторов со значениями +1 или –1; R – число элементов вектора
входа.
Пример 6.4. Создать сеть Хопфилда с двумя устойчивыми точка-
ми в трехмерном пространстве:
>> T = [–1 –1 1; 1 –1 1]' % определение двух аттракторов
T =
–1 1
–1 –1
1 1

Страницы