شبکه عصبی هاپفیلد گسسته (DHNN) یک نمونه شبکه حافظه انجمنی است که بطور گسترده ای در تشخیص الگو بکار برده می شود. ساختار شبکه در شکل زیر نشان داده شده است که (Y=(Y1,Y2,…Yn و (X=(X1,X2,…Xn به ترتیب خروجی و ورودی را نشان می دهند. N نرون در شبکه وجود دارد و هر نرون با حدآستانه تتا متصل است. خروجی هر نرون به تمام نرونهای دیگر از طریق وزنهای اتصالی بازمیگردد. این شبکه، یک شبکه عصبی کاملا بهم متصل است که در آن هر واحد به همه واحدهای دیگر متصل است. این شبکه دارای وزنهای بدون اتصال به خود است؛ یعنی وزنهای این شبکه به صورت Wii =0 است.
ورودی برای نرون i، در تکرار t+1 ام می تواند به صورت زیر محاسبه شود:
در DHNN نرون خروجی تنها دو مقدار متفاوت 1 یا 0 (گاهی اوقات 1 و 1- هم بکار برده می شود) می گیرد و مقدار آن توسط این مسئله تعیین شده که آیا ورودی نرون از مقدار حدآستانه متناظرش تجاوز کرده است یا نه.
همانند اکثر یادگیری بانظارت شبکه های عصبی، DHNN لازم است قبل از استفاده آموزش ببیند. در شبکه عصبی هاپفیلد گسسته، در هر دوره آموزش فقط یکی از واحدها، فعالسازی خود را بروز میکند که این بروزرسانی بر اساس سیگنالهای دریافتی از واحدهای دیگر است.
DHNN می تواند بصورت یک سیستم پویا توصیف شود و هر حالت شبکه بصورت انرژی محاسبه می شود. این انرژی را می توان بصورت تابع لیاپانو (Lyapunov) درنظر گرفت.
اگر یک حالت مطمئن بتواند به مینیمم محلی تابع انرژی هدایت نماید، آن را می توان حالت پایدار شبکه درنظر گرفت. فرآیند آموزش در اصل شامل کاستن انرژی حالت است که شبکه باید بخاطر بسپارد.
برای دریافت برنامه تشخیص الگو با شبکه عصبی هاپفیلد کلیک کنید.
برای مطالعه بیشتر میتوانید به سایت ویکیپدیا و یا سایت یارکد مراجعه نمائید.
یکی فکر در “شبکه عصبی هاپفیلد گسسته”