Hopfield神经网络的应用

Hopfield神经网络在联想记忆中的应用

如何实现HNN的联想记忆功能?
网络能够通过联想来输出和输入模式最为相似的样本模式。

传感器输出：[外形，质地，重量]T



样本:


具体怎样实现联想记忆？
步骤：
（1）设计DHNN结构
（2）设计连接权矩阵
（3）测试

（1）设计DHNN结构

（ 2）设计连接权矩阵

（3）测试

Hopfield神经网络优化方法

1985年，霍普菲尔德和塔克（D. W. Tank）应用连续Hopfield 神经网络求解旅行商问题（traveling salesman problem，TSP）获得成功。
连续Hopfiled神经网络求解约束优化问题的基本思路：

用神经网络方法求解优化问题的一般步骤：

（1）将优化问题的每一个可行解用换位矩阵表示。
（2）将换位矩阵与由 n 个神经元构成的神经网络相对应：每一个可行解的换位矩阵的各元素与相应的神经元稳态输出相对应。
（3）构造能量函数，使其最小值对应于优化问题的最优解，并满足约束条件。
（4）用罚函数法构造目标函数，与Hopfield神经网络的计算能量函数表达式相等，确定各连接权和偏置参数。
（5）给定网络初始状态和网络参数等，使网络按动态方程运行，直到稳定状态，并将它解释为优化问题的解。
应用举例： Hopfield神经网络优化方法求解TSP。
1985年，霍普菲尔德和塔克（D. W. Tank）应用连续Hopfield 神经网络求解旅行商问题获得成功。
旅行商问题（traveling salesman problem，TSP） ：有 n 个城市，城市间的距离或旅行成本已知，求合理的路线使每个城市都访问一次，且总路径（或者总成本）为最短。




选择合适的A、B、C、D和网络的初始状态，按网络动态方程演化直到收敛。

神经网络优化计算目前存在的问题：

（1）解的不稳定性。
（2）参数难以确定。
（3）能量函数存在大量局部极小值，难以保证最优解。
欢迎大家加我微信交流讨论（请备注csdn上添加）