10.16208/j.issn1000-7024.2018.03.041
离散型Hopfield神经网络学习算法
为使得离散型Hopfield神经网络(DHNN)具备更强的联想记忆功能,基于替换函数f(χ),权值求取采用提出的学习算法.通过设计比sgn更强约束能力的函数f(χ),在满足sgn函数要求的同时连续可导,由于f(sχ)连续可导,可根据能量最低点网络状态不再发生变化的特性定义损失函数,用梯度下降算法来求解.使用Matlab编程验证效果,验证结果表明,该学习算法比传统的外积法、正交设计法具有更好的效果,对原始信息还原率提高了5%-11%.
离散型Hopfield神经网络、外积和法、损失函数、梯度下降算法、联想记忆
39
TP391(计算技术、计算机技术)
2018-06-01(万方平台首次上网日期,不代表论文的发表时间)
共5页
831-835