Нейрокомпьютинг и его применения в экономике и бизнесе



              

Асинхронная динамика


Нейроны в модели Хопфилда, подобно спиновым переменным, могут принимать два состояния

s_i\in \{-1,+1\}
, а динамика состояний сети носит асинхронный характер (т.н. Глауберова динамика). В дискретные моменты времени
t=1,2,\ldots
случайным образом выбирается один нейрон (k-ый) для которого вычисляется значение потенциала
h_k=\sum_j w_{kj}s_j

При выполнении условия

h_ks_k<0
состояние нейрона изменяется на противоположное:
s_k\rightarrow -s_k
.

В другом варианте - последовательной динамике - перебор нейронов производится не случайным образом а циклически, но в каждый момент времени также может изменяться состояние лишь одного нейрона. Эти два варианта качественно отличаются от параллельной динамики, подразумевающей одновременное изменение состояний всех тех нейронов, для которых выполняется условие

h_ks_k<0
(такова, например, динамика модели Литтла). Синхронизация моментов обновления состояний нейронов делает такую динамику подверженной "зацикливаниям".

В отличие от многослойных сетей, в которых входные и выходные нейроны пространственно разделены в модели Хопфилда все нейроны одновременно являются и входными, и скрытыми, и выходными. Роль входа в таких сетях выполняет начальная конфигурация активностей нейронов, а роль выхода - конечная стационарная конфигурация их активностей.




Содержание  Назад  Вперед