盒中脑（bsb）神经网络的matlab实现

dynamic

==============================================================
(1)其他网络
随机神经网络(RNN)：http://www.matlabsky.com/thread-505-1-2.html
简单2层神经网络：http://www.matlabsky.com/thread-507-1-3.html


(2)径向基函数网络
广义回归神经网络(GRNN)：暂无
概率神经网络(PNN)：http://www.matlabsky.com/thread-503-1-3.html


(3)反馈型神经网络
盒中脑(BSB)网络模型：http://www.matlabsky.com/thread-1537-1-2.html
CG网络模型： 暂无
双向联想记忆(BAM)网络：暂无
Boltzmann机网络(BM)：http://www.matlabsky.com/thread-1596-1-1.html

(4)竞争型神经网络
自适应共振理论(ART)：http://www.matlabsky.com/thread-502-1-2.html
对象传播网络(CPN)：暂无
==============================================================



=============以下内容由论坛超级版主akjuan整理=============

反馈神经网络又称递归网络或回归神经网络。它是一种反馈动力学系统，比前向神经网络具有更强的计算能力。在此类网络中，稳定性与其联想记忆的能力密切相关，因此，稳定性是一个重要的研究方向。而在前向神经网络中，注重学习方面的研究而较少关心稳定性。例如，BP网络就是这样的，反馈神经网络注重全局稳定性方面的研究，如Hopfield网络在很大程度上提高了网络的稳定性。反馈神经网络的典型代表主要有：Elman神经网络、Hopfield神经网络、CG网络模型、盒中脑（BSB）模型、双向联想记忆（BAM）等。

Elman神经网络是Elman于1990年提出的，该模型在前馈网络的隐含层中增加一个承接层，作为一步延时算子，达到记忆的目的，从而是系统具有适用时变特性的能力，能直接反映动态过程系统的特性。

Hopfield网络作为一种全连接型神经网络，它利用与阶层型神经网络不同的结构特征和学习方法，模拟生物神经网络的记忆机理，获得了令人满意的结果。这一网络及学习方法最初是有美国物理学家J·JHopfield于1982年提出的，故称为Hopfield网络。

CG网络模型是由Cohen和Grossberg提出的。它是Hopfield神经网络的一种推广形式。和Hopfield网络不同，CG网络神经元的状态不再是二值的，而是根据一组常微分方程连续地变化。CG网络主要用于联想记忆，信息存在于系统的局部最小值上。CG模型是综合了神经生物学、群体生物学和进化论的观点提出的。在信号处理和油画问题等方面有着广泛的应用。

盒中脑（Brain-State-in-a-Box，BXB）神经网络模型首先是有Anderson等人于1977年提出的Golden等人对该模型进行了深入研究。BSB模型是一种结点之间存在横向连接和结点自反馈的单层网络，可用最自联想离邻近分类器，并可存储任何模拟向量模式。

BSB网络模型可用下面的方程描述

初始条件为

，其中

表示k时刻的状态向量，参数α是一正值，用于控制层内反馈的大小。

为对称的权矩阵，传递函数g的第i个坐标通常为以下形式

随时间的推移，每个状态xi逐渐趋近于±1。实际上，当系统达到某个平衡状态后，状态(x1,x2,...xn)进入由(±1,±1,...±1)构成的盒子的某一角。


神经网络工具箱没有为BSB网络提供专门的函数工具，因此没法利用神经网络工具箱中的函数创建、训练并应用网络。但是Hugh Pasika于1997年基于Matlab平台开发了BSB网络的实现函数，其matlab开发实现见下面代码

1. >>x=[0.5,-0.6];
   
2. >>beta=0.5
   
3. >>c=100;
   
4. >>bsb(x,beta,c)
   
5. 
   
6. orig =
   
7. 
   
8.     0.5000   -0.6000
   
9. 
   
10. It took 35 iteration for a stable point to be reached.
    
11. 
    
12. 
    
13. ans =
    
14. 
    
15.     35

复制代码

其中x是输入向量，beta是反馈因子，c是最大迭代次数，bsb的作用就是是将输入向量x，经过c次迭代后，到达箱子的一角（1,-1）

返回参数orig表示网络的输入初值为(0.5,-0.6)，ans=35表示网络经过35次迭代后就达到箱子的一角(1,-1)，因为初始值离它最近。输入向量的收敛轨迹如下图所示

krishna

好 谢谢                           









.

krishna

好 谢谢                           









.

sunshusunshu

谢谢楼主，学习学习。。

dragonyan

以后是不是还要重新注册才能有贝壳啊！