شبکه هاپفیلد ( یا مدل Ising شبکه عصبی یا مدل Ising – Lenz – Little ) نوعی شبکه عصبی مصنوعی بازگشتی و نوعی سیستم شیشه چرخشی است که توسط جان هاپفیلد در سال 1982 رواج یافته است [ ۱] همانطور که توسط Little در 1974 شرح داده شده بوده [ ۲] بر اساس کار ارنست آیزینگ با ویلهلم لنز بر مدل آیزینگ . [ ۳]
شبکه های هاپفیلد به عنوان سیستم های حافظه قابل آدرس دهی حافظه تداعی گر با گره های آستانه باینری عمل می کنند. شبکه های هاپفیلد همچنین الگویی برای درک حافظه انسان ارائه می دهند.
مدل Ising از یک شبکه عصبی به عنوان یک مدل حافظه، اولین بار توسط ویلیام ا. لیتل در سال 1974 ارائه شده است [ ۲] که توسط هاپفیلد در مقاله خود در سال 1982 حمایت شده است. [ ۱]
اجزا شبکه هاپفیلد واحدهای دو حالته اند هستند، بدین معنی که هر یک می توانند در یکی از دو حالت تعریف شده قرار بگیرند و مقدار آنها هم بسته به اینکه مجموع ورودی به آن واحد از مقدار آستانه ای کمتر یا بیشتر باشد، تعیین می گردد.
شبکه های هاپفیلد گسسته روابط بین نورونهای را توصیف می کنند.
حالت شبکه عصبی توسط یک بردار V توصیف می شود، که میگوید کدام نورون ها شلیک کردند.
نورون های عصبی حالت های 1 یا 1 - به خود می گیرند. با این حال ، سایر متون ممکن است از واحدهایی استفاده کنند که مقادیر 0 و 1 را در نظر بگیرند. این تعاملات از طریق قانون انجمن Hebb آموخته می شوند ، به طوری که برای یک حالت خاص V s داریم:
w i j = V i s V j s
ولی w i i = 0 .
توجه داشته باشید که قانون یادگیری Hebbian برای ⊇ V {0 ، 1}، شکل زیر را می گیرد: w i j = ( 2 V i s − 1 ) ( 2 V j s − 1 )
پس از آموزش شبکه، w i j دیگر تکامل نمی یابد. اگر حالت جدیدی از نورونها به شبکه عصبی وارد شود، شبکه بر روی نورون ها به گونه زیر خواهد بود:
• V i s ′ → 1 {\displaystyle V_{i}^{s'}\rightarrow 1} اگر ∑ j w i j V j s ′ > U i {\displaystyle \sum _{j}w_{ij}V_{j}^{s'}> U_{i}}
• V i s ′ → − 1 {\displaystyle V_{i}^{s'}\rightarrow - 1} اگر ∑ j w i j V j s ′ < U i {\displaystyle \sum _{j}w_{ij}V_{j}^{s'}< U_{i}}
به این ترتیب ، شبکه های هاپفیلد توانایی "به خاطر سپردن" حالت های ذخیره شده در ماتریس تعامل را دارند ، زیرا اگر حالت جدیدی باشد V s ′ تحت ماتریس تعامل قرار می گیرد ، هر نورون تغییر می کند تا زمانی که با حالت اصلی مطابقت داشته باشد V s ( به بخش بروزرسانی ها در زیر مراجعه کنید ) .
این نوشته برگرفته از سایت ویکی پدیا می باشد، اگر نادرست یا توهین آمیز است، لطفا گزارش دهید: گزارش تخلفشبکه های هاپفیلد به عنوان سیستم های حافظه قابل آدرس دهی حافظه تداعی گر با گره های آستانه باینری عمل می کنند. شبکه های هاپفیلد همچنین الگویی برای درک حافظه انسان ارائه می دهند.
مدل Ising از یک شبکه عصبی به عنوان یک مدل حافظه، اولین بار توسط ویلیام ا. لیتل در سال 1974 ارائه شده است [ ۲] که توسط هاپفیلد در مقاله خود در سال 1982 حمایت شده است. [ ۱]
اجزا شبکه هاپفیلد واحدهای دو حالته اند هستند، بدین معنی که هر یک می توانند در یکی از دو حالت تعریف شده قرار بگیرند و مقدار آنها هم بسته به اینکه مجموع ورودی به آن واحد از مقدار آستانه ای کمتر یا بیشتر باشد، تعیین می گردد.
شبکه های هاپفیلد گسسته روابط بین نورونهای را توصیف می کنند.
حالت شبکه عصبی توسط یک بردار V توصیف می شود، که میگوید کدام نورون ها شلیک کردند.
نورون های عصبی حالت های 1 یا 1 - به خود می گیرند. با این حال ، سایر متون ممکن است از واحدهایی استفاده کنند که مقادیر 0 و 1 را در نظر بگیرند. این تعاملات از طریق قانون انجمن Hebb آموخته می شوند ، به طوری که برای یک حالت خاص V s داریم:
w i j = V i s V j s
ولی w i i = 0 .
توجه داشته باشید که قانون یادگیری Hebbian برای ⊇ V {0 ، 1}، شکل زیر را می گیرد: w i j = ( 2 V i s − 1 ) ( 2 V j s − 1 )
پس از آموزش شبکه، w i j دیگر تکامل نمی یابد. اگر حالت جدیدی از نورونها به شبکه عصبی وارد شود، شبکه بر روی نورون ها به گونه زیر خواهد بود:
• V i s ′ → 1 {\displaystyle V_{i}^{s'}\rightarrow 1} اگر ∑ j w i j V j s ′ > U i {\displaystyle \sum _{j}w_{ij}V_{j}^{s'}> U_{i}}
• V i s ′ → − 1 {\displaystyle V_{i}^{s'}\rightarrow - 1} اگر ∑ j w i j V j s ′ < U i {\displaystyle \sum _{j}w_{ij}V_{j}^{s'}< U_{i}}
به این ترتیب ، شبکه های هاپفیلد توانایی "به خاطر سپردن" حالت های ذخیره شده در ماتریس تعامل را دارند ، زیرا اگر حالت جدیدی باشد V s ′ تحت ماتریس تعامل قرار می گیرد ، هر نورون تغییر می کند تا زمانی که با حالت اصلی مطابقت داشته باشد V s ( به بخش بروزرسانی ها در زیر مراجعه کنید ) .
wiki: شبکه هاپفیلد