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