连续型Hopfield神经网络.pptVIP

连续型Hopfield动态神经网络模型如右图所示。取Wij=Wji,Wii=0(无自反馈)设则有一般设则有添加标题式中f(x)为S形激励函数。一般有以下两种形式：添加标题非对称型Sigmoid函数添加标题对称型Sigmoid函数连续型Hopfield神经网络稳定性分析添加标题添加标题添加标题其中：求取能量函数的定义（有备注）由于Wij=Wji则有：单击此处添加小标题由连续Hopfield运行方程可得单击此处添加小标题将上式代入原式可得：单击此处添加小标题单击此处添加小标题由于Ci0,f(U)单调递增，故f-1(U)也单调递增，可得：单击此处添加小标题当且仅当，单击此处添加小标题时，单击此处添加小标题结论：网络是渐进稳定的，随着时间的推移，网络的状态向E减小的方向运动，其稳定平衡状态就是E的极小点。连续神经网络模型在简化生物神经元性质的同时，重点突出了以下特点：神经元作为一个输入输出变换，其传输特性具有sigmoid特性。神经元之间大量的兴奋性、抑制性连接，主要通过反馈来实现。既代表产生动作电位的神经元又代表按渐进方式工作的神经元。因此，连续神经网络模型准确地保留了生物神经网络的动态和非线形特征。连续型Hopfield神经网络特点4.连续型Hopfield神经网络应用Hopfield神经网络的提出就是与其实际应用密切相关的，其主要功能有联想记忆（离散Hopfield）和优化计算功能（连续Hopfield）。Hopfield网络除了在模式识别方面有重要应用以外，对于解决组合优化问题，它也有许多用途。组合优化问题，就是在给定的约束条件下，求出使目标函数极小（或极大）的变量组合问题。将Hopfield网络应用于求解组合优化问题，就是把目标函数转化为网络的能量函数，把问题的变量对应于网络的状态。当网络的能量函数收敛于极小值时，网络的状态就对应于问题的最优解。由于神经网络的计算量不随维数的增加而发生指数性的剧增，所以对于优化问题的快速计算特别有效。优化计算在实际问题中有着广泛的应用，如常见的TSP问题，工业生产和交通运输中的调度问题等。应用Hopfield神经网络来解决优化计算问题的一般步骤为：01添加标题分析问题：网络输出与问题的解相对应。添加标题由网络结构建立网络的电子线路并运行，稳态?优化解。04添加标题构造网络能量函数：构造合适的网络能量函数，使其最小值对应问题最佳解。0203添加标题设计网络结构：将能量函数与标准式相比较，定出权矩阵与偏置电流。4.1.基于连续型Hopfield网络的油料资源输送优化油料资源输送，是指利用信息技术在战前和作战过程中精确预测作战部队的油料需求，精确“可视”全部油料资源，灵活调遣保障资源，采取多种运输手段，主动地在需要的时间和地点为作战部队保障油料。随着现代运输手段的发展，如何安全、快速、准确地输送油料，是油料部门急需解决的问题。由于作战区域广泛，战争中前方和后方的界线变得十分模糊，作战部队经常处于不断移动的状态，因此就存在许多油库供应多个作战部队油料的情况，存在一个或多个油料供应点到多个油料需求点的油料输送问题。因为激励函数是S型函数，所以它是非线性网络具体应用中，能量函数的定义是由几个约束条件和目标函数之和构成，假设前两项是约束条件，第三项是目标函数，当满足约束条件时，前两项为0，E的最小值就是目标函数的最小值，前两项保证了路径的有效性。此时，E取得最小值时的变量取值对应网络的稳定状态。问题的关键在于具体问题的连接权和阈值的而设计。连续型Hopfield神经网络报告人：彭佳伟导师：齐乐华教授Outline人工神经网络简介Hopfield神经网络概述连续型Hopfield神经网络结构及特点简单应用1人工神经网络简介人工神经网络（ArtificialNeuralNetworks，简写为ANN）也简称为神经网络(NN)或称作连接模型，是对人脑或自然神经网络若干基本特性的抽象和模拟。人工神经网络是以对大脑的生理研究成果为基础的，其目的在于模拟大脑的某些机理与机制，实现某个方面的功能。神经元具有以下特点：神经元是一多输入、单输出元件。它具有非线性的输入、输出特性。它具有可塑性，其塑性变化的部分主要是权值的变化，这相当于生物神经元的突触部分的变化。神经元的输出响应是各个输入值的综合作用的结果。输入分为兴奋型（正值）和抑制型（负值）两种。国际著名的神经网络研究专家，第一家神经计算机公司的创立者与领导人Hecht-Nielsen给人工神经网络下的定义就是：“人工神经网络是由人工建立的、以有向图为拓扑结构的动态系