Från Rilpedia

Du har inte behörighet att redigera denna sida, av följande anledning:

Du kan se och kopiera denna sidas källtext:

<noinclude>{{rpsv.from.wpsv}}</noinclude>[[Bild:Hopfield-net.png|thumb|Exempel på ett Hopfieldnät]] '''Hopfield''' är ett övervakat [[Neurala nätverk|neuralt nätverk]] och används till att minnas mönster. Nätet förmår att återskapa inlärda mönster som blivit störda till en viss gräns. Hur väl återskapandet går beror på flera faktorer såsom hur många bilder som är intränade i nätet, hur störd bilden är, hur många iterationscykler som tillåts. Hopfieldnätet konstruerades ursprungligen av [[John Hopfield]] 1982. Nätet är präglat av en biologisk förebild och fungerar starkt förenklat som en människas [[minne]]. Detta minne är av typen [[Autoassociativt minne|autoassociativ]], vilket innebär att de mönster som nätet känner igen kommer att visas likadant som de matas in. När nätet stöter på ett mönster som det inte känner igen kommer det att visa det mönster som är mest likt det nuvarande, av de som det har sett under träningsfasen. Ett autoassociativt nät kan alltså återskapa störd indata till något av de mönster det känner igen. Ett Hopfieldnät kan lagra ungefär <math>M = 0,14 * N</math> bilder. Där N är antal [[neuroner]] och M är antal bilder. == Konstruktion == Det som gör Hopfieldnätet unikt är att alla neuroner är sammanslutna med alla förutom sig självt. Varje neuron kan bara ha ett [[binär]]t tillstånd. Antingen definieras de två tillstånden som -1 och 1, eller som 1 och 0. Varje neurons tillstånd beräknas enligt en av de följande två algoritmerna:<ref>Callan R. "The Essence of Neural Networks", Kapitel 4.3. Pearson Education, 1999</ref> #<math>y_i = \left\{\begin{matrix} 1 & \mbox {om }\sum_{j=1}^{n}{w_{ij}x_j}>\theta_i, \\ -1 & \mbox {annars.}\end{matrix}\right.</math> #<math>y_i = \left\{\begin{matrix} 1 & \mbox {om }\sum_{j=1}^{n}{w_{ij}x_j}>\theta_i, \\ 0 & \mbox {annars.}\end{matrix}\right.</math> *<math>y_i</math> är tillståndet/utgången/aktiveringsnivån för neuron i. *<math>w_{i,j}</math> är vikten för kopplingen mellan neuron i och neuron j. *<math>x_j</math> är tillståndet för neuron j. *<math>n</math> är det antal neuroner som finns i nätverket. *<math>\theta_i</math> tröskelvärdet för neuron i. Man kan räkna ut vikterna för att lagra ett visst mönster genom att multiplicera en radvektor av det mönstret med en kolumnvektor av samma mönster och sedan ta bort alla vikter som kopplar tillaka till den ursprungliga noden, och sedan ändra vikten till ett binärt tillstånd enligt det aktuella tröskelvärdet. För att lagra flera mönster adderar man de uträknade vikterna för varje mönster.<ref>Callan R. "The Essence of Neural Networks", Kapitel 4.1. Pearson Education, 1999</ref> Dessa två bivilllkor används vanligen för Hopfieldnät: *<math>w_{i,j} = 0 ,\forall i = j </math>, dvs ingen nod är kopplad till sig själv *<math>w_{i,j} = w_{j,i} ,\forall i, j</math>, dvs nod A är kopplad till nod B lika starkt som nod B är kopplad till nod A. ==Källor== <references/> ==Externa länkar== {{Commons|Hopfield net}} [[Kategori:Neurala nätverk]] [[de:Hopfield-Netz]] [[en:Hopfield net]] [[fr:Réseau de neurones de Hopfield]] [[ja:ホップフィールド・ネットワーク]] [[lv:Hopfīlda tīkls]] [[ru:Нейронная сеть Хопфилда]] [[vi:Mạng Hopfield]]

Tillbaka till Hopfieldnät.