负肘时,从第j个到第ⅰ个神经元之间的连接强度w则增强(即为正),否则w减弱(为负)。 那么由(7.2)式求出的权值w是否能够保证a=p?取a=1,我们来验证一下,对于 第i个输出节点,有: A=1 Pj)=sgn( 2 ppip)=sgn(Pi)=Pi 因为p和a值均取二值{-1,1},所以当其为正值时,即为1;其值为负值时,即为-1 同符号值相乘时,输出必为1。而且由sgn(p1)可以看出,不一定需要sgn(p4)的值,只要符 号函数gn(·)中的变量符号与p的符号相同,即能保证sgn(·)=p。这个符号相同的范 围就是一个稳定域 当k=1时,海布规则能够保证a1=p成立,使网络收敛到自己。现在的问题是:对于 同一权矢量W,网络不仅要能够使一组输入状态收敛到其稳态值,而且是要能够同时记忆 住多个稳态值,即同一个网络权矢量必须能够记忆住多组输入样本,使其同时收敛到不同对 应的稳态值。所以,根据海布规则的权值设计方法,当k由1增加到2,直至q时,则是在 原有己设计出的权值的基础上,增加一个新量p'p,k=2…,q,所以对网络所有输入样本 记忆权值的设计公式为 c∑ 式中矢量T为记忆样本,T=P。上式称为推广的学习调节规则。当系数q=1时,称(7.3) 式为T的外积和公式 DHNN的设计目的是使任意输入矢量经过网络循环最终收敛到网络所记忆的某个样本 因为霍普菲尔德网络有w=w,所以完整的霍普菲尔德网络权值设计公式应当为 w;=c∑ kk k=1 (74) 用向量形式表示为9 负)时，从第 j 个到第 i 个神经元之间的连接强度 wij 则增强(即为正)，否则 wij 减弱(为负)。 那么由(7．2)式求出的权值 wij 是否能够保证 ai＝pj？ 取α＝l，我们来验证一下，对于 第 i 个输出节点，有： 因为 pi 和 ai 值均取二值{—l，1}，所以当其为正值时，即为 1；其值为负值时，即为-1。 同符号值相乘时，输出必为 1。而且由 sgn(pi 1 )可以看出，不一定需要 sgn(pi 1 )的值，只要符 号函数 sgn(·)中的变量符号与 pi 1 的符号相同，即能保证 sgn(·)＝pi 1。这个符号相同的范 围就是一个稳定域。 当 k＝1 时，海布规则能够保证 ai 1＝pi 1 成立，使网络收敛到自己。现在的问题是：对于 同一权矢量 W，网络不仅要能够使一组输入状态收敛到其稳态值，而且是要能够同时记忆 住多个稳态值，即同一个网络权矢量必须能够记忆住多组输入样本，使其同时收敛到不同对 应的稳态值。所以，根据海布规则的权值设计方法，当 k 由 1 增加到 2，直至 q 时，则是在 原有己设计出的权值的基础上，增加一个新量 pj kpi k，k＝2…, q，所以对网络所有输入样本 记忆权值的设计公式为： (7.3) 式中矢量 T 为记忆样本，T＝P。上式称为推广的学习调节规则。当系数α＝1 时，称(7．3) 式为 T 的外积和公式。 DHNN 的设计目的是使任意输入矢量经过网络循环最终收敛到网络所记忆的某个样本 上。 因为霍普菲尔德网络有 wij＝wji，所以完整的霍普菲尔德网络权值设计公式应当为： （7.4） 用向量形式表示为：