《反馈神经网络》PPT课件

第五章反馈神经网络5反馈神经网络Hopfield网络分为离散型和连续型两种网络模型，分别记作DHNN(DiscreteHopfieldNeuralNetwork)和CHNN(ContinuesHopfieldNeuralNetwork)，本章重点讨论前一种类型。根据神经网络运行过程中的信息流向，可分为前馈式和反馈式两种基本类型。前馈网络的输出仅由当前输入和权矩阵决定，而与网络先前的输出状态无关。美国加州理工学院物理学家J.J.Hopfield教授于1982年提出一种单层反馈神经网络，后来人们将这种反馈网络称作Hopfield网。5.1.1网络的结构与工作方式离散型反馈网络的拓扑结构5.1离散型Hopfield神经网络(1)网络的状态DHNN网中的每个神经元都有相同的功能，其输出称为状态，用xj表示。j=1,2,…,n所有神经元状态的集合就构成反馈网络的状态X=[x1,x2,…,xn]T反馈网络的输入就是网络的状态初始值，表示为X(0)=[x1(0),x2(0),…,xn(0)]T反馈网络在外界输入激发下，从初始状态进入动态演变过程，变化规律为j=1,2,…,n(5.1)DHNN网的转移函数常采用符号函数式中净输入为j=1,2,…,n(5.2)对于DHNN网，一般有wii=0，wij=wji。反馈网络稳定时每个神经元的状态都不再改变，此时的稳定状态就是网络的输出，表示为(2)网络的异步工作方式(5.3)(3)网络的同步工作方式网络的同步工作方式是一种并行方式，所有神经元同时调整状态，即j=1,2,…,n(5.4)网络运行时每次只有一个神经元j进行状态的调整计算，其它神经元的状态均保持不变，即5.1.2.1网络的稳定性DHNN网实质上是一个离散的非线性动力学系统。网络从初态X(0)开始，若能经有限次递归后，其状态不再发生变化，即X(t+1)＝X(t)，则称该网络是稳定的。如果网络是稳定的，它可以从任一初态收敛到一个稳态：5.1.2网络的稳定性与吸引子若网络是不稳定的，由于DHNN网每个节点的状态只有1和-1两种情况，网络不可能出现无限发散的情况，而只可能出现限幅的自持振荡，这种网络称为有限环网络。如果网络状态的轨迹在某个确定的范围内变迁，但既不重复也不停止，状态变化为无穷多个，轨迹也不发散到无穷远，这种现象称为混沌。网络达到稳定时的状态X，称为网络的吸引子。如果把问题的解编码为网络的吸引子，从初态向吸引子演变的过程便是求解计算的过程。若把需记忆的样本信息存储于网络不同的吸引子，当输入含有部分记忆信息的样本时，网络的演变过程便是从部分信息寻找全部信息，即联想回忆的过程。定义5.1若网络的状态X满足X=f(WX-T)则称X为网络的吸引子。5.1.2.2吸引子与能量函数定理5.1对于DHNN网，若按异步方式调整网络状态，且连接权矩阵W为对称阵，则对于任意初态，网络都最终收敛到一个吸引子。定理5.1证明：定义网络的能量函数为：(5.5)令网络的能量改变量为ΔE，状态改变量为ΔX，有(5.6)(5.7)5.1.2.2吸引子与能量函数将式(5.4)、(5.6)代入(5.5)，则网络能量可进一步展开为(5.8)将代入上式，并考虑到W为对称矩阵，有(5.9)上式中可能出现的情况：情况a：xj(t)=-1,xj(t+1)=1,由式(5.7)得Δxj(t)=2,由式(5.1)知，netj(t)≧0，代入式(5.9)，得ΔE(t)≦0。情况b：xj(t)=1,xj(t+1)=-1,所以Δxj(t)=-2,由式(5.1)知，netj(t)<0，代入式(5.9)，得ΔE(t)<0。情况c：xj(t)=xj(t+1),所以Δxj(t)=0,代入式(5.9)，从而有ΔE(t)=0。由此可知在任何情况下均有ΔE(t)≦0。由于网络中各节点的状态只能取1或–1，能量函数E(t)作为网络状态的函数是有下界的，因此网络能量函数最终将收敛于一个常数，此时ΔE(t)=0。综上所述，当网络工作方式和权矩阵均满足定理5.1的条件时，网络最终将收敛到一个吸引子。综上所述，当网络工作方式和权矩阵均满足定理5.1的条件时，网络最终将收敛到一个吸引子。定理5.2对于DHNN网，若按同步方式调整状态，且连接权矩阵W为非负定对称阵，则对于任意初态，网络都最终收敛到一个吸引子。证明：由式(5.8)得前已证明，对于任何神经元j，有因此上式第一项不大于0，只要W为非负定阵，第二项也不大于0，于是有⊿E(t)≦0，也就是说E(t)最终将收敛到一个常数值，对应的稳定状态是网络的一个吸引子。以上分析表明，在网络从初态向稳态演变的过程中，网络的能量始终向减小的方向演变，当能量最终稳定于一个常数时，该常数对应于网络能量的极小状态，称该极小状态为网络的能量井，能量井对应于网络的吸引子。5.1.2.2吸引子与能量函数性质1：若X是网络的一个吸引子，且阈值T=0，在sgn(0)处，xj(t+1)=xj(t)，则－X也一定是该网络的吸引子。证明：∵X是吸引子，即X=f(WX)，从而有f[W(－X)]=f[－WX]=－f[WX]=－X　∴－X也是该网络的吸引子。5.1.2.3吸引子的性质性质2：若Xa是网络的一个吸引子，则与Xa的海明距离dH(Xa，Xb)=1的Xb一定不是吸引子。证明：不妨设x1a≠x1b，xja=xjb，j=2,3,…,n。∵w11=0，由吸引子定义，有由假设条件知，x1a≠x1b，故∴-Xb不是该网络的吸引子。能使网络稳定在同一吸引子的所有初态的集合，称为该吸引子的吸引域。定义5.2若Xa是吸引子，对于异步方式，若存在一个调整次序，使网络可以从状态X演变到Xa，则称X弱吸引到Xa；若对于任意调整次序，网络都可以从状态X演变到Xa，则称X强吸引到Xa。定义5.3若对某些X，有X弱吸引到吸引子Xa，则称这些X的集合为Xa的弱吸引域；若对某些X，有X强吸引到吸引子Xa，则称这些X的集合为Xa的强吸引域。5.1.2.4吸引子的吸引域例5.1设有3节点DHNN网，用无向图表示如下，权值与阈值均已标在图中，试计算网络演变过程的状态。x1-0.1-0.50.2x20.00.0x30.6解：设各节点状态取值为1或0，3节点DHNN网络应有23=8种状态。不妨将X=(x1,x2,x3)T=(0,0,0)T作为网络初态，按1→2→3的次序更新状态。第1步：更新x1，x1=sgn[(-0.5)0+0.20－(-0.1)]=sgn(0.1)=1其它节点状态不变，网络状态由(0,0,0)T变成(1,0,0)T。如果先更新x2或x3，网络状态将仍为(0,0,0)T，因此初态保持不变的概率为2/3，而变为(1,0,0)T的概率为1/3。x1-0.1-0.50.2x20.00.0x30.6第2步：此时网络状态为(1,0,0)T，更新x2后，得x2=sgn[(-0.5)1+0.60－0]=sgn(-0.5)=0其它节点状态不变，网络状态仍为(1,0,0)T。如果本步先更新x1或x3，网络相应状态将为(1,0,0)T和(1,0,1)T，因此本状态保持不变的概率为2/3，而变为(1,0,1)T的概率为1/3。第3步：此时网络状态为(1,0,0)T，更新x3得x3=sgn[0.21+0.60－0]=sgn(0.2)=1同理可算出其它状态之间的演变历程和状态转移概率。DHNN网络状态演变示意图为了使所 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 的权值满足要求，权值矩阵应符合以下要求：⑴为保证异步方式工作时网络收敛，W应为对称阵；⑵为保证同步方式工作时网络收敛，W应为非负定对称阵；⑶保证给定样本是网络的吸引子，并且要有一定的吸引域。5.1.3.2外积和法设给定P个模式样本Xp，p=1,2,…,P，x{-1,1}n，并设样本两两正交，且n>P，则权值矩阵为记忆样本的外积和(5.16)5.1.3网络的权值设计若取wjj=0，上式应写为(5.17)式中I为单位矩阵。上式写成分量元素形式，有(5.18)下面检验所给样本能否称为吸引子。因为P个样本Xp，p=1,2,…,P，x{-1,1}n是两两正交的，有因为n>P，所以有可见给定样本Xp，p=1,2,…,P是吸引子。