案例9离散Hopfield神经网络的联想记忆—数字识别.zip资源-CSDN文库

共14个文件

mat：12个

m：2个

版权申诉

70 浏览量 2023-08-27 23:30:52 上传评论收藏 6KB ZIP 举报

离散Hopfield神经网络是一种基于权重的反馈网络，由John J. Hopfield在1982年提出。这种网络主要用于实现联想记忆，即通过存储模式的稳定状态来再现已知的信息。在本案例中，我们将深入探讨如何使用离散Hopfield神经网络进行数字识别。在数字识别任务中，神经网络需要学习并记忆一系列数字图像，然后根据输入的不完整或有噪声的图像来恢复或识别正确的数字。这里提供的MATLAB文件集可能是为了模拟这一过程。MATLAB是一种广泛用于数值计算、数据分析和科学建模的编程环境，非常适合处理这样的问题。 `data1_noisy.mat`到`data8.mat`可能是包含了不同噪声水平的数字图像数据集。这些数据可能表示经过预处理的二维图像矩阵，其中每个元素的值代表像素的灰度强度。`data0.mat`可能是无噪声或清晰的数字图像，用于与有噪声的图像进行对比。 `waiji.m`可能是定义网络权重更新规则的函数，因为离散Hopfield网络的更新遵循特定的异或（XOR）或逐位操作。在网络中，权重矩阵决定了节点间的连接强度，是学习和记忆的关键部分。`chapter9.m`可能是主脚本，用于加载数据、初始化网络状态、执行更新规则并显示结果。在离散Hopfield网络中，每个节点的状态可以是+1或-1，代表两种激活状态。网络更新其状态按照以下规则进行： \[ s_i(t+1) = sign(\sum_j w_{ij}s_j(t)) \] 这里的\( s_i(t) \)是节点i在时间步t的状态，\( w_{ij} \)是节点i和j之间的权重，sign函数将总和转换为离散的输出。权重通常通过Hebbian学习规则来学习，该规则指出"共同激活的神经元应当有正权重"，即： \[ w_{ij} = w_{ij} + s_i(t)s_j(t) \] 在数字识别的应用中，学习阶段会根据训练集中的数字图像更新权重，使得网络能够从任意接近的初始状态稳定地恢复到正确的数字模式。执行时，`chapter9.m`可能首先加载数据集，计算权重矩阵，然后在每次迭代中更新网络状态，直到收敛或达到最大迭代次数。收敛的稳定状态对应于网络记忆中的一个模式，这可能是输入图像所表示的数字。程序可能会通过比较网络状态与所有训练模式的相似性来识别数字。通过这个案例，我们可以学习如何利用离散Hopfield网络实现联想记忆，并理解其在图像识别特别是数字识别中的应用。此外，这也能帮助我们掌握MATLAB在构建和运行神经网络模型中的基本用法。

资源推荐

资源详情

资源评论

收起资源包目录

案例9 离散Hopfield神经网络的联想记忆—数字识别.zip （14个子文件）

data9.mat 194B

data1_noisy.mat 216B

data3.mat 192B

data0.mat 191B

data2.mat 205B

data8.mat 195B

data6.mat 195B

waiji.m 3KB

data2_noisy.mat 224B

data7.mat 191B

data1.mat 195B

data4.mat 195B

data5.mat 195B

chapter9.m 3KB

%% Hopfield神经网络的联想记忆——数字识别 % % % <html> % <table border="0" width="600px" id="table1"> <tr> <td>该案例作者申明：</td> </tr> <tr> <td>1：本人长期驻扎在此<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">板块</a>里，对<a target="_blank" href="http://www.ilovematlab.cn/thread-48362-1-1.html">该案例</a>提问，做到有问必答。</td></tr><tr> <td>2：此案例有配套的教学视频，配套的完整可运行Matlab程序。</td> </tr> <tr> <td> 3：以下内容为该案例的部分内容（约占该案例完整内容的1/10）。</td> </tr> <tr> <td> 4：此案例为原创案例，转载请注明出处（<a target="_blank" href="http://www.ilovematlab.cn/">Matlab中文论坛</a>，<a target="_blank" href="http://www.ilovematlab.cn/forum-158-1.html">《Matlab神经网络30个案例分析》</a>）。</td> </tr> <tr> <td> 5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</td> </tr> <tr> <td> 6：您看到的以下内容为初稿，书籍的实际内容可能有少许出入，以书籍实际发行内容为准。</td> </tr><tr> <td> 7：此书其他常见问题、预定方式等，<a target="_blank" href="http://www.ilovematlab.cn/thread-47939-1-1.html">请点击这里</a>。</td> </tr></table> % </html> % web browser http://www.ilovematlab.cn/thread-60165-1-1.html %% 清空环境变量 clc clear %% 数据导入 load data1 array_one load data2 array_two %% 训练样本（目标向量） T=[array_one;array_two]'; %% 创建网络 net=newhop(T); %% 数字1和2的带噪声数字点阵（固定法） load data1_noisy noisy_array_one load data2_noisy noisy_array_two %% 数字1和2的带噪声数字点阵（随机法） % noisy_array_one=array_one; % noisy_array_two=array_two; % for i=1:100 % a=rand; % if a<0.3 % noisy_array_one(i)=-array_one(i); % noisy_array_two(i)=-array_two(i); % end % end %% 数字识别 % identify_one=sim(net,10,[],noisy_array_one'); noisy_one={(noisy_array_one)'}; identify_one=sim(net,{10,10},{},noisy_one); identify_one{10}'; noisy_two={(noisy_array_two)'}; identify_two=sim(net,{10,10},{},noisy_two); identify_two{10}'; %% 结果显示 Array_one=imresize(array_one,20); subplot(3,2,1) imshow(Array_one) title('标准(数字1)') Array_two=imresize(array_two,20); subplot(3,2,2) imshow(Array_two) title('标准(数字2)') subplot(3,2,3) Noisy_array_one=imresize(noisy_array_one,20); imshow(Noisy_array_one) title('噪声(数字1)') subplot(3,2,4) Noisy_array_two=imresize(noisy_array_two,20); imshow(Noisy_array_two) title('噪声(数字2)') subplot(3,2,5) imshow(imresize(identify_one{10}',20)) title('识别(数字1)') subplot(3,2,6) imshow(imresize(identify_two{10}',20)) title('识别(数字2)') web browser http://www.ilovematlab.cn/thread-60165-1-1.html %% % % <html> % <table align="center" > <tr> <td align="center">版权所有：<a % href="http://www.ilovematlab.cn/">Matlab中文论坛</a>   <script % src="http://s3.cnzz.com/stat.php?id=971931&web_id=971931&show=pic" language="JavaScript" ></script> </td> </tr></table> % </html> %

评论收藏

内容反馈

版权申诉