能量函数
——————————————————————————————————
设网络的状态为 (V,V,...,V)12n
Hopfield网络的能量函数定义为
1 E,,WVV,,V,,,ijijii2iji
其中 W,0W,Wijijji
—————————————————————————————————— 定理4: 设网络按下式异步更新,则对于网络状态的任何改变,网络能量E都
单调下降
,证明: 设网络中第k个神经元的状态发生变化,由原状态变为新状态, NVkk
由上式可知,变化后网络的能量为 Nk
1,,,,,EWVV,V ,,,,,,ijijii2iji
,, 其中对于i,j?k 有, 所以 V,VV,Vjjii
,,E,E,E
11,,W,VV,W,VV,,,V ,,ikkikjkjkk22ij
,,,V(WV,,) (4.55) ,kikiki
,E由(4.55)式可见,若=0,=0 无状态变化时,网络总能量不变。 ,Vk
,,若?0,则 ,VVVV2V,,,,kkkkk
,,因此 ,E,,2V(WV,,),,2Vs ,kikikkki
网络状态演变按方程
, V,sgn(s)kk
, 进行,由sgn函数性质可推得 >0 或 Vskk
, <0 ,E,,2Vskk
即网络的能量随着网络的状态变化单调下降。
——————————————————————————————————
V(t,1),sgn(V(t)W)定理5: 假设网络按方程 (4.9)
同步更新,则在网络权矩阵对称且非负定的条件下,对于网络状态的每
次变化,网络能量E单调下降。
证明: 能量函数可以写成以下矩阵形式:
1TT E,,VWV,,V2
(t)展开成泰勒级数,去两项并稍加整理届可以得到 把E在V
网络由V(t)变为V(t+1)时的能量变化为:
1TT (4.61) ,E,,s(t)(,V),(,V)W(,V)2
s(t),V(t)W,,,V,V(t,1),V(t)其中
由定理4中的分析 (状态增量等于两倍的新状态),所以,Vs(t),0ii
有
T s(t)(,V),0
又因为W为非负定,(4.61)式中第二项
1T (,V)W(,V),02
因此当,V,0时,必有:
,E,E(t,1),E(t),0
——————————————————————————————————下面研究由能量函数反推可以得到什么结果。
设网络存贮一个模式x,这时可以定义能量函数,使x与网络状态V最
大拟合时能量达到极小值,以反映联想过程中的最优匹配。这样构造以
下能量函数:
2E,,,(Vx) ,iii
当网络存贮多个模式时,可定义能量函数为:
p2kE,,,(Vx) ,,ii,1ki
对上式进行一些
处理。首先把二次项记号改为乘积记号,然后交换
运算顺序:
pkk E,,,(Vx)(Vx),,,iijj,1kji
pkk ,,,(xx)VV,,,ijij,1ijk
p1kk ,,(,xx)VV,,,ijij2,1ijk
,, 其中 ,为常数。 ,,0,2
假定某一特定问题能够表达成网络的能量函数形式,而能量函数的
最小值或极小值满足问题的解,则我们可以根据能量函数来决定网络的
连接强度矩阵,也就是说,建立一个相应的Hopfield反馈网络。对此
网络给出特定的初始状态并使之运行,在网络稳定后,就可以得出所给
问题的局部最优解。若再提供一些附加措施,那么可使网络最终稳定在
全局最优,或基本上达到全局最优解。
至此,我们涉及到Hopfield网络的两种运行方式
, 联想记忆 稳定状态给定,通过学习得到W
, 优化计算 W已知,寻找具有最小能量值得稳态