资源描述：
《异联想记忆Hopfield神经网络的模型、算法及性能》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、2005年5月系统工程理论与实践第5期 文章编号:100026788(2005)0520101207异联想记忆Hopfield神经网络的模型、算法及性能姜惠兰,孙雅明(天津大学电气与自动化工程学院,天津300072)摘要:对联想记忆神经网络(neuralnetworks2NN)的特性进行了分析,基于双向联想存储器BAM原理,对自联想记忆HopfieldNN模型进行了扩展,建造了适合于求解模式识别问题的异联想记忆HopfieldNN模型结构.并针对HopfieldNN记忆容量不足的缺陷,对常规的学习算
2、法进行了改进,建立了基于投影原理的伪逆学习算法和广义逆学习算法,提高了HopfieldNN对样本的记忆存储能力.分析表明:本文的研究解决了HopfieldNN应用于异联想记忆模式识别的关键问题.关键词:HopfieldNN;联想记忆;记忆容量;模式识别中图分类号:TP18文献标识码:AHeteroAssociativeMemoryHopfieldNNModel,LearningAlgorithmsandPerformanceJIANGHui2lan,SUNYa2ming(SchoolofElectr
3、icalEngineeringandAutomation,TianjinUniversity,Tianjin300072,China)Abstract:Thispaperanalyzestheperformanceofassociativememoryneuralnetwork.Onthebasisofbidirectionalassociativememorytheory,aheteroassociativememoryHopfieldNNmodelisbuilttobeusedforpatter
4、nrecognition.FortheshortcomingoflackofstoragecapacityofHopfieldNNthispaperimprovestraditionallearningalgorithm,proposespseudoconverseandgeneralizedconverselearningalgorithm,andthereforethecapacityofHopfieldNNtostoretrainingsamplesisincreased.Thesimulat
5、ionandresultsshowthatthestudyofthispapersolvesthekeyofHopfieldNNbeingappliedinheteroassociativememorypatternrecognition.Keywords:HopfieldNN;associativememory;memorycapacity;patternrecognition1 引言联想记忆是NN的重要应用之一,它主要利用NN的良好容错性能使不完整、缺损的信号恢复成完整的原型.一个有效的联想记忆
6、NN应该保证每个原型样本都成为网络的稳定状态,且具有强大的吸引特性,就是说记忆为网络稳定状态所对应的样本吸引子应有一定范围的吸引域.目前,用神经网络实现联想记忆原则上有两类方式.一类是前向式NN,即从输入模式到输出模式的映射网络,它属于异联想记忆网络,是一个由非线性元件组成的学习系统,对样本模式的记忆能力是很强的,存储容量很大.但是它不从系统稳定性的角度出发,缺乏丰富的动力学行为,经训练记忆存储到网络中的原型样本吸引子对其他检测样本的吸引性不强,即容错性不强.另一类是反馈式网络,是从初态到终态的演化
7、式网络,如著名的Hopfield网络.它属于非线性动力学系统,引用Lyapunov能量函数的概念,从NN稳定性的角度出发,具有丰富的动力学行为,存储的样本模式将构成系统的不动点吸引子,且稳定吸引子有足够大的吸引域,其容错性能较强.虽然在容错性方面反馈式HopfieldNN要强于前向式NN,然而在网络训练过程中HopfieldNN对标准训练样本的记忆存储能力却不如前向式NN,它受样本矢量在空间的分布以及相互间的关系影响较严重,收稿日期:2004207213资助项目:国家自然科学基金(59877016)
8、作者简介:姜惠兰(1965-),女(汉),河北籍,博士,副教授,硕士生导师,主攻人工智能和电力系统故障分析与控制的研究.©1995-2005TsinghuaTongfangOpticalDiscCo.,Ltd.Allrightsreserved.102系统工程理论与实践2005年5月当样本矢量分布具有某些规律时,网络对样本才有最大的存储容量.考虑到任何实际问题的样本集不会是规律性分布的,这将降低网络的样本存储容量,使为求解问题所需建立的原型样本集不能被全部记忆.而前向
