Нейронные сети Хопфилда

Нейронная сеть представляет собой

структуру нейронов, соединенных между собой. Сеть характеризуется внутренними

свойствами образующих ее нейронов, индивидуальной топологией (архитектурой),

а также правилами обучения (тренировки).

Нейронная сеть Хопфилда (рис. 4) представляет собой слой адаптивных сумматоров

с обратными связями, выходные сигналы которых, подвергаясь нелинейной обработке

по заданному закону, поступают с некоторой временной задержкой на входы нейронов, в

результате чего выходной сигнал нейронной сети формируется лишь после того, как сеть

достигнет динамического равновесия. Поведение нейронной сети моделирует, таким образом, некоторый стохастический процесс, конечное состояние которого определяется

входным вектором нейросети, являющимся, по сути, вектором внешних смещений.

Из википедии:

Нейро́нная сеть Хо́пфилда — полносвязная нейронная сеть с симметричной матрицей связей. В процессе работы динамика таких сетей сходится (конвергирует) к одному из положений равновесия. Эти положения равновесия являются локальными минимумами функционала, называемого энергией сети (в простейшем случае — локальными минимумами отрицательно определённой квадратичной формы на n-мерном кубе). Такая сеть может быть использована как автоассоциативная память, как фильтр, а также для решения некоторых задач оптимизации. В отличие от многих нейронных сетей, работающих до получения ответа через определённое количество тактов, сети Хопфилда работают до достижения равновесия, когда следующее состояние сети в точности равно предыдущему: начальное состояние является входным образом, а при равновесии получают выходной образ.

Архитектура сети

Схема сети Хопфилда с тремя нейронами

Нейронная сеть Хопфилда состоит из искусственных нейронов. Каждый нейрон системы может принимать одно из двух состояний (что аналогично выходу нейрона с пороговой функцией активации):

Из-за их биполярной природы нейроны сети Хопфилда иногда называют спинами.

Взаимодействие спинов сети описывается выражением:

где — элемент матрицы взаимодействий , которая состоит из весовых коэффициентов связей между нейронами. В эту матрицу в процессе обучения записывается М «образов» — N -мерных бинарных векторов:

В сети Хопфилда матрица связей является симметричной (), а диагональные элементы матрицы полагаются равными нулю (), что исключает эффект воздействия нейрона на самого себя и является необходимым для сети Хопфилда, но не достаточным условием, устойчивости в процессе работы сети. Достаточным является асинхронный режим работы сети. Подобные свойства определяют тесную связь с реальными физическими веществами, называемыми спиновыми стёклами.

Обучение сети

Алгоритм обучения сети Хопфилда существенно отличается от таких классических алгоритмов обучения перцептронов, как метод коррекции ошибки или метод обратного распространения ошибки. Отличие заключается в том, что вместо последовательного приближения к нужному состоянию с вычислением ошибок, все коэффициенты матрицы рассчитываются по одной формуле, за один цикл, после чего сеть сразу готова к работе. Вычисление коэффициентов основано на следующем правиле: для всех запомненных образов матрица связи должна удовлетворять уравнению

поскольку именно при этом условии состояния сети будут устойчивы — попав в такое состояние, сеть в нём и останется.

Дата добавления: 2015-06-04