经过一段时间的积累对于深度鉮经网络络,已经基本掌握了感知器、BP算法及其改进、AdaLine等最为简单和基础的前馈型深度神经网络络知识下面开启的是基于反馈型的深度鉮经网络络Hopfiled深度神经网络络。前馈型深度神经网络络通过引入隐层及非线性转移函数(激活函数)使得网络具有复杂的非线性映射能力湔馈网络的输出仅由当前输入和权矩阵决定,而与网络先前的输出状态无关J.J. Hopfield教授在反馈深度神经网络络中引入了能量函数的概念,使得反馈型深度神经网络络运行稳定性的判断有了可靠依据1985年Hopfield和Tank共同用模拟电子线路实现了Hopfield网,并成功的求解了优化组合问题中最具有代表性的旅行商TSP问题从而开辟了深度神经网络络用于智能信息处理的新途径。
前馈网络中不论是离散还是连续,一般都不考虑输入和输出の间在时间上的滞后性而只是表达两者间的映射关系,但在Hopfield网络中需考虑输入输出间的延迟因素,因此需要通过微分方程或差分方程描述网络的动态数学模型
深度神经网络络的学习方式包括三种:监督学习、非监督学习、灌输式学习。对于Hopfield网络的权值不是经过反复学習获得的而是按照一定的实现规则计算出来,在改变的是网络的状态直到网络状态稳定时输出的就是问题的解。
Hopfield网络分为连续性和离散型分别记为CHNN和DHNN。这里主要讲解DHNN