Hopfield聯(lián)想記憶神經(jīng)網(wǎng)絡的容量研究及其應用.pdf

1、人工神經(jīng)網(wǎng)絡是一種模擬大腦神經(jīng)突觸聯(lián)接結(jié)構(gòu)、對信息進行處理的數(shù)學模型，而Hopfield聯(lián)想記憶神經(jīng)網(wǎng)絡，作為一類重要的神經(jīng)網(wǎng)絡，因其具有模式存儲和聯(lián)想記憶能力，并能利用大規(guī)模并行處理及良好的容錯性將殘缺的、污損的、變形的信息恢復出原來正確完整的信息，這是傳統(tǒng)方法難以做到的。然而，因傳統(tǒng)Hopfield聯(lián)想記憶神經(jīng)網(wǎng)絡的容量低的問題，網(wǎng)絡進行模式識別過程中，將不能正確、有效的識別不完整、畸變的模式。本文主要針對這一問題展開研究，論文的研

2、究成果與創(chuàng)新如下：
　　1)針對Hopfield網(wǎng)絡對一些信息不完整、含有誤差的輸入模式正確識別率低的問題，將克隆選擇算法引入Hopfield網(wǎng)絡中，提出一種新的提升Hopfield網(wǎng)絡容量的方法。首先將克隆選擇算法引入到Hopfield網(wǎng)絡中，以Hopfield網(wǎng)絡的初始輸入作為克隆選擇算法中的抗原；然后隨機產(chǎn)生權(quán)值矩陣作為克隆選擇算法的初始抗體；最后依據(jù)克隆選擇算法對初始抗體進行克隆、交叉、變異，并根據(jù)親和力的大小選擇出網(wǎng)絡的

3、優(yōu)化權(quán)值，以提升Hopfield網(wǎng)絡容量。
　　2)將提出的方法應用于含有不同噪聲的樣本識別，并且對實驗結(jié)果做了詳細的分析和對比。實驗結(jié)果表明了在不改變網(wǎng)絡結(jié)構(gòu)、學習規(guī)則條件下，文中提出的方法不需要算法的多次數(shù)學迭代及采用兩種進化適應度作用于網(wǎng)絡，在相同的訓練條件下，能夠取得更好的記憶容量，為提升Hopfield神經(jīng)網(wǎng)絡的記憶容量提供了一種新的思路。
　　3)針對離散Hopfield神經(jīng)網(wǎng)絡容量低，對不完整和含誤差的字母正確

4、識別率低問題，構(gòu)建了一種利用混合免疫算法中的免疫遺傳算法來改進網(wǎng)絡權(quán)值的優(yōu)化設計理念，提出了一種基于免疫遺傳算法優(yōu)化Hopfield網(wǎng)絡容量的方法。
　　4)將基于免疫遺傳算法優(yōu)化Hopfield網(wǎng)絡容量方法應用于26個英文字母的識別中。實驗結(jié)果表明：當噪聲水平為0.2時，利用本文中提出的算法，Hopfield網(wǎng)絡對初始樣本的正確記憶能力達到90％以上；當噪聲水平高達0.6,0.8和1時，與傳統(tǒng)的Hopfield網(wǎng)絡相比，基于混合