如何解决实施2状态Hopfield网络
如何使用外部乘积学习规则来探索两态或模拟Hopfield网络模型，并探索其作为维数N的函数的能力？我正试图着手进行一个小型编程项目，并坚持如何启动该模型。
根据提示，有多种方法可以解决此问题。解决此问题的一种方法是生成许多随机模式，将它们存储为T矩阵中的内存，然后显示在将网络状态V初始化为其中一种存储模式时，运行V时不会移动动力学。作为N的函数，您可以存储多少个模式作为稳定吸引子？要探索的另一件事是汉明的收敛半径-即，如果将网络状态初始化为通过翻转K位而受到干扰的存储模式，那么您可以使K大到多少，并且网络仍然收敛到正确的内存？ K如何取决于所存储模式的数量？
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
