第07讲反馈网络 zoujiang(@public.wh.hb.cn 邹江
第07讲 反馈网络 zoujiang@public.wh.hb.cn 邹江
反馈网络( Recurrent Network),又称自联想记忆网络,其 目的是为了设计一个网络,储存一组平衡点,使得当 给网络一组初始值时,网络通过自行运行而最终收敛 到这个设计的平衡点上。 1982年,美国加州工学院物理学家霍普菲尔德 (J. Hopfield)发表了一篇对人工神经网络研究颇有影响 的论文。 反馈网络能够表现出非线性动力学系统的动态特性。它 所具有的主要特性为以下两点: 第一、网络系统具有若干个稳定状态。当网络从某一初 始状态开始运动,网络系统总可以收敛到某一个稳定 的平衡状态; 第二,系统稳定的平衡状态可以通过设计网络的权值而 被存储到网络中
反馈网络(Recurrent Network),又称自联想记忆网络,其 目的是为了设计一个网络,储存一组平衡点,使得当 给网络一组初始值时,网络通过自行运行而最终收敛 到这个设计的平衡点上。 1982年,美国加州工学院物理学家霍普菲尔德 (J.Hopfield)发表了一篇对人工神经网络研究颇有影响 的论文。 反馈网络能够表现出非线性动力学系统的动态特性。它 所具有的主要特性为以下两点: 第一、网络系统具有若干个稳定状态。当网络从某一初 始状态开始运动,网络系统总可以收敛到某一个稳定 的平衡状态; 第二,系统稳定的平衡状态可以通过设计网络的权值而 被存储到网络中
在本章中,我们将集中讨论反馈网络,通过网络神经元 状态的变迁而最终稳定于平衡状态,得到联想存储或 优化计算的结果。 在这里,着重关心的是网络的稳定性问题,研究的重点 是怎样得到和利用稳定的反馈网络 霍普菲尔德网络是单层对称全反馈网络,根据其激活函 数的选取不同,可分为离散型的霍普菲尔德网络 ( Discrete Hopfield Neural Network,简称DHNN)和连续 型的霍普菲尔德网络( Continuous Hopfield Neural Network,简称CHNN) DHNN的激活函数为二值型的,其输入、输出为{0,1}的 反馈网络,主要用于联想记忆 CHNN的激活函数的输入与输出之间的关系为连续可微的 单调上升函数,主要用于优化计算
在本章中,我们将集中讨论反馈网络,通过网络神经元 状态的变迁而最终稳定于平衡状态,得到联想存储或 优化计算的结果。 在这里,着重关心的是网络的稳定性问题,研究的重点 是怎样得到和利用稳定的反馈网络。 霍普菲尔德网络是单层对称全反馈网络,根据其激活函 数的选取不同,可分为离散型的霍普菲尔德网络 (Discrete Hopfield Neural Network,简称DHNN)和连续 型的霍普菲尔德网络(Continuous Hopfield Neural Network,简称CHNN)。 DHNN的激活函数为二值型的,其输入、输出为{0,1}的 反馈网络,主要用于联想记忆。 CHNN的激活函数的输入与输出之间的关系为连续可微的 单调上升函数,主要用于优化计算
○7.1霍普菲尔德网络模型 P 0团 图7.1反馈网络结构图
7.1 霍普菲尔德网络模型 图7.1 反馈网络结构图
在反馈网络中 如果其激活函数)是一个二值型的硬函数,如图7.2所 示,即a1=sgn(n1),i=1,2,…r,则称此网络为离散型 反馈网络; 如果a=(n)中的)为一个连续单调上升的有界函数,这 类网络被称为连续型反馈网络。图7.3中所示为一个 具有饱和线性激活函数,它满足连续单调上升的有界 函数的条件,常作为连续型的激活函数。 图7.2DHNN中的激活函数图7.3CHNN中的激活函数
在反馈网络中 如果其激活函数f(·)是一个二值型的硬函数,如图7.2所 示,即ai =sgn(ni ),i=l, 2, … r,则称此网络为离散型 反馈网络; 如果ai=f(ni )中的f(·)为一个连续单调上升的有界函数,这 类网络被称为连续型反馈网络。图7.3中所示为一个 具有饱和线性激活函数,它满足连续单调上升的有界 函数的条件,常作为连续型的激活函数。 图7.2 DHNN中的激活函数 图7.3 CHNN中的激活函数
7.2状态轨迹 设状态矢量N-[n1,n2,…,n,网络的输出矢量 为A=[a1,a 在一个r维状态空间上,可以用一条轨迹来描述状 态变化情况。 从初始值Nt)出发, N(t+△t)→N(tb+2△t) N(t+m△t),这些 在空间上的点组成的确定轨迹,是演化过程中 所有可能状态的集合,我们称这个状态空间为 相空间
7.2 状态轨迹 设状态矢量N=[n1 , n2 , …,nr ],网络的输出矢量 为A=[a1,a2…,as ] T , 在一个r维状态空间上,可以用一条轨迹来描述状 态变化情况。 从初始值N(t0 )出发, N(t0+Δt)→N(t0+2Δt)→…→N(t0+mΔt),这些 在空间上的点组成的确定轨迹,是演化过程中 所有可能状态的集合,我们称这个状态空间为 相空间
N(t) N6) B N( N( 图7.4三维空间中的状态轨迹 对于DHNN,因为N(t)中每个值只可能为±1,或{0, 1},对于确定的权值w;,;其轨迹是跳跃的阶梯式,如 图中A所示。 对于CHNN,因为f()是连续的,因而,其轨迹也是连 续的。如图中B、C所示
图7.4 三维空间中的状态轨迹 对于DHNN,因为N(t)中每个值只可能为±1,或{0, 1},对于确定的权值wij,其轨迹是跳跃的阶梯式,如 图中A所示。 对于CHNN,因为f(·)是连续的,因而,其轨迹也是连 续的。如图中B、C所示
对于不同的连接权值w和输入P(ij=1,2,…r),反馈网络 状态轨迹可能出现以下几种情况 7.2.1状态轨迹为稳定点 状态轨迹从系统在t时状态的初值N(t)开始,经过一定的 时间t>0)后,到达Nt+0。如果N(t++△t=Nt+t), △t>0,则状态N(t+t)称为网络的稳定点,或平衡点。 即反馈网络从任一初始态P(0)开始运动,若存在某一有 限时刻t,从t以后的网络状态不再发生变化: P(t+Δt)=P(t),Δt>0,则称该网络是稳定的。 处于稳定时的网络状态叫做稳定状态,又称为定吸引子
对于不同的连接权值wij和输入Pj (i, j=1, 2, … r),反馈网络 状态轨迹可能出现以下几种情况。 7.2.1 状态轨迹为稳定点 状态轨迹从系统在t 0时状态的初值N(t0 )开始,经过一定的 时间t(t>0)后,到达N(t0+t)。如果N(t0+t+Δt)=N(t0+t), Δt>0,则状态N(t0+t)称为网络的稳定点,或平衡点。 即反馈网络从任一初始态P(0)开始运动,若存在某一有 限时刻t,从t以后的网络状态不再发生变化: P(t+Δt)= P(t),Δt>0,则称该网络是稳定的。 处于稳定时的网络状态叫做稳定状态,又称为定吸引子
在一个反馈网络中,存在很多稳定点,根据不同情况, 这些稳定点可以分为: )渐近稳定点:如果在稳定点N周围的N(o)区域内,从 任一个初始状态N(t)出发的每个运动,当t→∞时都收 敛于N,则称N为渐近稳定点 )不稳定平衡点N:在某些特定的轨迹演化过程中,网 络能够到达稳定点N,但对于其它方向上的任意一个 小的区域N(o),不管N(o)取多么小,其轨迹在时间t 以后总是偏离Nn; 3)网络的解:如果网络最后稳定到设计人员期望的稳定点, 且该稳定点又是渐近稳定点,那么这个点称为网络的 解 4)网络的伪稳定点:网络最终稳定到一个渐近稳定点上, 但这个稳定点不是网络设计所要求的解,这个稳定点 为伪稳定点
在一个反馈网络中,存在很多稳定点,根据不同情况, 这些稳定点可以分为: 1)渐近稳定点:如果在稳定点Ne周围的N(σ)区域内,从 任一个初始状态N(t0 )出发的每个运动,当t→∞时都收 敛于Ne,则称Ne为渐近稳定点。 2)不稳定平衡点Nen:在某些特定的轨迹演化过程中,网 络能够到达稳定点Nen,但对于其它方向上的任意一个 小的区域N(σ),不管N(σ)取多么小,其轨迹在时间t 以后总是偏离Nen; 3)网络的解:如果网络最后稳定到设计人员期望的稳定点, 且该稳定点又是渐近稳定点,那么这个点称为网络的 解; 4)网络的伪稳定点:网络最终稳定到一个渐近稳定点上, 但这个稳定点不是网络设计所要求的解,这个稳定点 为伪稳定点
7.2.2状态轨迹为极限环 如果在某些参数的情况下,状态N(t)的轨迹是 个圆,或一个环,状态N(t)沿着环重复旋转 永不停止,此时的输出A(t)也出现周期变化, 即出现振荡,如图7.4中C的轨迹即是极限环 出现的情形 对于DHNN,轨迹变化可能在两种状态下来回跳 动,其极限环为2。如果在r种状态下循环变化, 称其极限环为r
7.2.2 状态轨迹为极限环 如果在某些参数的情况下,状态N(t)的轨迹是一 个圆,或一个环,状态N(t)沿着环重复旋转, 永不停止,此时的输出A(t)也出现周期变化, 即出现振荡,如图7.4中C的轨迹即是极限环 出现的情形。 对于DHNN,轨迹变化可能在两种状态下来回跳 动,其极限环为2。如果在r种状态下循环变化, 称其极限环为r