《神经网络导论》实验二-双向联想记忆 (1)Word下载.docx
《《神经网络导论》实验二-双向联想记忆 (1)Word下载.docx》由会员分享，可在线阅读，更多相关《《神经网络导论》实验二-双向联想记忆 (1)Word下载.docx（6页珍藏版）》请在冰点文库上搜索。
EA,B=-12ATWB-12BTWTA=-ATWB
三、实验内容及步骤
2、连接权值W=
422-20-20-240
200-420202-2
200020-2-422
-2-4002020-2-2
0222-4-20200
-2000-2024-2-2
02-2202-4-204
-20-4024-20-22
0-22-20-2420-4
0-2220-20-200
2400-20-2022
02-2-2020200
稳定状态能量值：
E=-158-142-158-146
3、验证网络的联想能力
对B2采用W进行迭代直到稳定求得的A‘2与原A2相同。
对A3采用W进行迭代直到稳定求得的B‘3与原B3相同。
4、验证网络抗噪能力
取A1畸变度为3，观察10次输出，显示能量
correct:
1andenergy:
-82-158
-90-158
0andenergy:
-98-146
-106-158
-98-158
-98-158-158-158
5、噪声大小对联想能力的影响
分别对A取反1到3位数各验证300次：
thedegreeofaccuracyfromA1toA4:
1bit2bits3bits
1.00000.97330.8400
1.00000.95670.8067
0.91000.76000.5633
1.00000.88330.5767
分别对B取反1到3位数验证100次：
thedegreeofaccuracyfromB1toB4:
1.00000.70000.3200
0.82000.72000.3500
0.94000.55000.1600
0.76000.64000.1600
四、实验思考题
1、在实验步骤4中观察网络能量E是如何变化的？
根据网络机理说明原因。
从步骤4中可以看出，网络能量E随迭代的次数而减小。
这是因为双向联想网络是Hopfield网络的一种，网络总是朝着能量函数E减小的方向运动，且达到稳态时，E取极小值。
2、如果我们想要“擦除”存储矢量中的某对（Ai,Bi），应如何调整网络？
双向联想记忆网络特性主要体现在权值W上，如果想要“擦除”存储矢量中的某对（Ai,Bi），取：
W'
=W-Ai∙BiT
3、通过总结第5步和第6步的实验结果，得出什么结论？
简要解释其中的原因。
随着矢量位取反的位数增多，噪声增大，网络联想正确率剧烈下降，说明网络恢复的记忆力是有限的。
这种二进制的存储映射是一对一的，容差性差。
五、实验结论
对于Kosko型其次双向联想记忆网络：
1随着时间的推移，网络在状态空间中总是朝着能量函数减小的方向移动，当网络达到稳定时，能量取得极小值。
2随着网络噪声的增大，网络联想正确率下降，同时说明网络恢复的记忆力是有限的。
六、MATLAB源程序
clear;
clc
disp（'
实验步骤2显示连接权矩阵及能量值'
）;
A=[A1A2A3A4];
B=[B1B2B3B4];
W=zeros（15,10）;
fors=1:
4
W=W+A（:
s）*B（:
s）'
;
end
W
E=zeros（4,1）;
%E=diag（-A'
*W*B）;
E（s）=-A（:
*W*B（:
s）;
E
clearEs
实验步骤3验证网络联想能力'
）
1chooseB2totest'
B2_fo=B2;
B2_la=1;
A2_fo=2;
A2_la=3;
while~isequal（A2_fo,A2_la）||~isequal（B2_fo,B2_la）
A2_fo=hardlims（W*B2_fo）;
B2_la=hardlims（W'
*A2_fo）;
A2_la=hardlims（W*B2_la）;
B2_fo=hardlims（W'
*A2_la）;
correctornot:
'
disp（isequal（A2,A2_la）&
&
isequal（B2,B2_la））
clearB2_foB2_laA2_foA2_la
2chooseA3totest'
A3_fo=A3;
A3_la=1;
B3_fo=2;
B3_la=3;
while~（isequal（A3_fo,A3_la）&
isequal（B3_fo,B3_la））
B3_fo=hardlims（W'
*A3_fo）;
A3_la=hardlims（W*B3_fo）;
B3_la=hardlims（W'
*A3_la）;
A3_fo=hardlims（W*B3_la）;
disp（isequal（A3,A3_la）&
isequal（B3,B3_la））
clearB3_foB3_laA3_foA3_la
实验步骤4验证网络的抗噪能力'
取A1畸变度为3，观察10次输出，显示能量'
forqbx=1:
10
A1_zs=A1.*（1-2*randerr（1,15,3）'
A1_fo=A1_zs;
Ezs=[];
A1_la=1;
B1_fo=2;
B1_la=3;
while~（isequal（A1_fo,A1_la）&
isequal（B1_fo,B1_la））
B1_fo=hardlims（W'
*A1_fo）;
ezs=-A1_fo'
*W*B1_fo;
Ezs=[Ezs,ezs];
A1_la=hardlims（W*B1_fo）;
B1_la=hardlims（W'
*A1_la）;
ezs=-A1_la'
*W*B1_la;
A1_fo=hardlims（W*B1_la）;
state3=isequal（A1,A1_la）&
isequal（B1,B1_la）;
disp（[strcat（'
'
num2str（state3）,'
andenergy:
）,num2str（Ezs）]）;
clearB1_foB1_laA1_foA1_lastate3ezsEzsA1_zs
实验步骤5噪声大小对联想能力的影响'
分别对A取反1到3位数各验证300次'
times=[300300300];
%循环次数向量
forqbx123=1:
3%取反1到3位数%分别取出times各项
state4=0;
%验证正确与否的状态矩阵，用0和1表示
forqbxa=1:
4%分别取出A的每一列，即A1到A4进行操作
forqbx=1:
times（qbx123）%循环次数
A_zs=A（:
qbxa）.*（1-2*randerr（1,15,qbx123）'
%随机位取反
A_fo=A_zs;
%输入矢量Ai
A_la=3;
B_fo=1;
B_la=2;
%声明迭代过程矢量
while~（isequal（A_fo,A_la）&
isequal（B_fo,B_la））%Ai和Bi迭代后状态稳定了吗
B_fo=hardlims（W'
*A_fo）;
A_la=hardlims（W*B_fo）;
B_la=hardlims（W'
*A_la）;
A_fo=hardlims（W*B_la）;
state4（qbxa,qbx）=isequal（A（:
qbxa）,A_la）&
isequal（B（:
qbxa）,B_la）;
end
disp（strcat（'
whenthedegreeofdistortionis'
num2str（qbx123）,'
thecorrectionsofA'
num2str（qbxa）,'
:
））;
tabulate（state4（qbxa,:
））
acout=state4（qbxa,:
A_C（qbxa,qbx123）=length（acout（acout==1））/times（qbx123）;
end
%disp（strcat（'
thestatematrixare'
%disp（state4）
实验步骤6噪声大小对联想能力的影响'
分别对B取反1到3位数验证100次'
times=[100100100];
4%分别取出B的每一列，即B1到B4进行操作
B_zs=B（:
qbxa）.*（1-2*randerr（1,10,qbx123）'
B_fo=B_zs;
B_la=3;
A_fo=1;
A_la=2;
A_fo=hardlims（W*B_fo）;
A_la=hardlims（W*B_la）;
thecorrectionsofB'
B_C（qbxa,qbx123）=length（acout（acout==1））/times（qbx123）;
1bit2bits3bits'
disp（A_C）
disp（B_C）
升级会员 