Page 18 - 4143

n 1
s j ( p  ) 1   w ij y i ( , ) p j = 0, …, (n-1) (1.13)
i 0

y j ( p ) 1  f [s i ( p 1 )] , (1.14)
де f – активаційна функція у вигляді одиничного скачка, що
показано на рисунку 1.8.

Крок 3. Перевірка, чи змінилися вихідні значення аксонів за
останню ітерацію. Якщо так – перехід до кроку 2, інакше (якщо
виходи стабілізувалися) – кінець.

Рисунок 1.8 – Активаційні функції

Після цього вихідний вектор є зразком, що найкращим чином
поєднується з вхідними даними.

Як мовилося вище, іноді мережа не може провести розпізнавання і
видає на виході неіснуючий образ. Це пов'язано з проблемою

обмеженості можливостей мережі. Для мережі Хопфілда число
образів т, що запам'ятовуються, не повинне перевищувати
значення рівного 0.15*n . Крім того, якщо два образи А і Б сильно
схожі, вони, можливо, викликатимуть від мережі перехресні

асоціації, тобто пред'явлення на входи мережі вектора А приведе до
появи на її виходах вектора Б і навпаки. Ще одним недоліком мереж
Хопфілда є їх тенденція стабілізуватися в локальному, а не в

глобальному мінімумі. Ця трудність долається в основному за
допомогою класу мереж, відомих під назвою машин Больцмана, в
яких зміни станів нейронів обумовлені статистичними, а не
детермінованими закономірностями [2]. Принцип машини

Больцмана може бути перенесений на мережі практично будь-якої
конфігурації, хоча стійкість не гарантується.

18