下载掌阅APP，畅读海量书库
立即打开
该函数用于创建自回归Hopfield网络，其调用格式为：
net=newhop(T)
其中，
T：唯一的输入变量，它是包含Q个变量的R×Q的输入自变量矩阵，R为输入变量的维数。T中的所有元素值必须为+1或-1。
net：返回值，它的稳定点在T中的列向量上。
该函数的功能为仿真一个神经网络，其调用格式为：
[Y,Pf,Af,E,perf] = sim(net,{Q TS},Pi,Ai,T)
其中，
net：神经网络（参考图5-1）。
Q：初始层延迟的变量数，即神经网络第0层输入量Ai的列数。
TS：仿真的迭代次数。
Pi：初始输入延迟，由于Hopfield神经网络没有输入（或者说第1层没有输入），所以这一项为空，即输入{}。
Ai：初始层延迟（即第0层输入，见图5-1），Hopfiled神经网络的初始层延迟为受污染的向量。
T：神经网络的目标向量。其中由于Hopfield神经网络也没有输出，所以这一项不填，或者填{}。
Y：神经网络的输出。
Pf：最终的输入延迟。
Af：最终的层延迟。
E：神经网络的误差。
perf：神经网络的性能。
这里举一例来说明Hopfield神经网络的使用方法。
创建一个新的Hopfield神经网络，输入矩阵T包含三个稳定点。
T的两个点都作为神经网络的初始层延迟，检查这两个点是否均为稳定点，即将这两个点作为输入，如果输出Y与T相等，则说明这两个点都是稳定点。由于Hopfield神经网络没有输入，所以第二个仿真变量Q=2，即T的列数（变量数）。
输出为：
与T一致，即T的两个点均为稳定点。
检查神经网络能否有效地修正受污染的向量，可执行如下代码，即将Hopfield神经网络仿真5次，因为Hopfield神经网络没有输入，因此第二个栅元数组仿真变量{Q TS} = [1 5]，Q表示变量的列数，TS表示迭代的次数。
输出结果为：
可见，Y{1}与T的第一列一致，即神经网络已将受污染的向量Ai转换为离它最近的目标变量。