图7.2DHNN中的激活函数 图7.3CHNN中的激活函数 7.2状态轨迹 对于一个由r个神经元组成的反馈网络,若将加权输入和n视作网络的状态,则状态矢 量N=[n,n2,…,n,网络的输出矢量为A=[a,a…,a]。在某一时刻t,分别用Nt)和 A(t)来表示各自的矢量。在下一时刻t1,可得到N(t1),而Nt+1)又引起At+1)的变化, 这种反馈演化的过程,使状态矢量Nt)随时间发生变化。在一个r维状态空间上,可以用 条轨迹来描述状态变化情况。从初始值N(to)出发,Nto+△t)→N(to+2△t→.→N(to+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。图7.4描述了一个三维相空间上三条不同的轨迹,对于DHNN,因为Nt)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。 N6) N(t) B N() 2 N() 图7.4三维空间中的状态轨迹3 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 对于一个由 r 个神经元组成的反馈网络，若将加权输入和 n 视作网络的状态，则状态矢 量 N=[n1, n2, …，nr]，网络的输出矢量为 A＝[a1，a2…，as] T。在某一时刻 t，分别用 N(t)和 A(t)来表示各自的矢量。在下一时刻 t+1，可得到 N(t+1)，而 N(t+1)又引起 A(t+1)的变化， 这种反馈演化的过程，使状态矢量 N(t)随时间发生变化。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。图 7．4 描述了一个三维相空间上三条不同的轨迹，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。 图 7．4 三维空间中的状态轨迹