离散型Hopfield神经网络学习算法

作     者：朱丽萍 王锋辉 李洪奇 吕洁 SikandarAli ZHU Li-ping;WANG Feng-hui;LI Hong-qi;LYU Jie;Sikandar Ali

作者机构：中国石油大学(北京)石油数据挖掘北京市重点实验室北京102249 中国石油大学(北京)地球物理与信息工程学院北京102249 

出 版 物：《计算机工程与设计》 (Computer Engineering and Design)

年 卷 期：2018年第39卷第3期

页      码：831-835页

摘      要：为使得离散型Hopfield神经网络(DHNN)具备更强的联想记忆功能,基于替换函数f(x),权值求取采用提出的学习算法。通过设计比sgn更强约束能力的函数f(x),在满足sgn函数要求的同时连续可导,由于f(x)连续可导,可根据能量最低点网络状态不再发生变化的特性定义损失函数,用梯度下降算法来求解。使用Matlab编程验证效果,验证结果表明,该学习算法比传统的外积法、正交设计法具有更好的效果,对原始信息还原率提高了5%-11%。

主 题 词：离散型Hopfeld神经网络 外积和法 损失函数 梯度下降算法 联想记忆 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 081104[081104] 08[工学] 0835[0835] 0811[工学-水利类] 0812[工学-测绘类] 

D　O　I：10.16208/j.issn1000-7024.2018.03.041

馆 藏 号：203284670...