基于Hopfield网络的两层图平面化算法研究

摘要

在该文提出了一种新的Hopfield网络的学习算法——梯度上升学习算法.该学习算法中把网络的权值和阈值参数看作是一种可调参数.整个算法由两个阶段组成,分别是Hopfield网络的运行阶段和在权值和阈值参数空间的梯度上升学习阶段.当Hopfield网络在当前权值和阈值空间的学习过程中陷入到一个局部极小值中时,便开始梯度上升阶段,通过沿着梯度上升的方向修改权值和阈值参数的方式,从而可以使得网络的能量能够暂时增加,使得网络有脱离局部最小值的能力.

目录

文摘

英文文摘

1.引 言

1.1课题的背景和意义

1.2本论文的工作与创新

1.3该论文的组织结构

2.人工神经网络简介

2.1人工神经网络的起源

2.2人工神经网络模型的分类

2.2.1按学习方式分类

2.2.2按照网络的结构分类

2.2.3按网络的状态分类

2.2.4按网络的活动方式分类

2.3人工神经网络特点

2.4人工神经网络的发展史

2.4.1初始发展期

2.4.2低潮时期

2.4.3复兴时期

2.4.4发展高潮时期

3.Hopfield网络模型

3.1离散的Hopfield神经元网络

3.1.1网络的拓扑结构

3.1.2网络的工作原理

3.2连续型的Hopfield神经网络

3.2.1网络结构

3.2.2稳定性分析

3.3 Hopfield网络的应用

4.两层图的平面化问题

4.1图的基本概念

4.2两层图平面化问题

5.基于Hopfield网络的建模

5.1目标函数

5.2约束函数

5.3能量函数

6.梯度上升学习

6.1局部最小值

6.2梯度上升

7.算法

8.试验数据

9.结论

参考文献：

致谢

攻读学位期间发表的学术论文目录