REDES DE HOPFIELD (RESUMEN)

*Red Recurrente (todas las neuronas estn conectada entre s,

pero no con ellas mismas)
*Cada neurona puede tomar los valores 1
Caractersticas *El vector X con los valores de cada neurona representa el
ESTADO DE LA RED
*Matriz de pesos W es simtrica (con ceros en la diagonal)
*Funcin de Energa (buscar sus mnimos)
*Memoria Asociativa (Memorias direccionadas por Contenido)

Funcionamiento:
Fase de Almacenamiento:
1) Aprendizaje :
Se tiene un conjunto de M memorias fundamentales (vectores de dimensin N, que
queremos que la red recuerde).
Usualmente a travs de la Regla de Hebb se determinan los pesos entre neuronas.
(Nota: La eleccin de la regla de aprendizaje no es trivial, depende de la correlacin
entre los patrones que se desean almacenar. Existen variantes de la Regla de Hebb)

Fase de Recuperacin (Recuerdo)

1) Inicializacin:
x(k) representa el estado de la red en la iteracin k-sima.
Se impone un vector prueba prueba (una versin distorsionada de una
memoria fundamental)
como estado de la red:
x(0) prueba
2)Mientras x(k+1)x(k)
Se calcula el siguiente estado de la red:
2.1) Clculo de los valores de los CAMPOS LOCALES INDUCIDOS v.
v= Wx(k) + b
donde W es la matriz de pesos, b un sesgo impuesto
externamente.
2.2) Se calcula el siguiente estado.

1 si vj>0
x(k+1)j= x(k)j si vj =0
-1 si vj <0
En la versin Asncrona , esto se hace para slo una j elegida al azar elegida de
forma secuencial.
En la versin Sncrona, esto se hace para toda j.
3) El resultado es el ltimo x(k) obtenido. (Un punto estable)

__N__ Donde N es el nmero de Neuronas

M =2 lnN M es el mximo de memorias fundamentales que se pueden
guardar y recuperar correctamente.
 -Existencia de ESTADOS ESPURIOS (puntos estables que
no corresponden a las memorias fundamentales).
Desventajas: -Requieren mucho tiempo de procesamiento hasta
converger a una solucin estable