Hopfield网络 - 版本历史

Jake：/* 网络结构 */

2026-07-26T23:19:48Z

网络结构

Jake：/* 网络结构 */

2026-07-26T23:18:23Z

网络结构

Jake：/* Hopfield 网络模拟 */

2026-07-26T23:08:57Z

Hopfield 网络模拟

Jake：/* 参考文献 */

2026-07-26T23:06:08Z

参考文献

Jake：/* 参考文献 */

2026-07-26T23:05:48Z

参考文献

Jake：/* 正式提出与发展 */

2026-07-26T23:05:20Z

正式提出与发展

Jake：/* 参考文献 */

2026-07-26T23:03:29Z

参考文献

Jake：/* 正式提出与发展 */

2026-07-26T23:03:03Z

正式提出与发展

Jake：/* 应用场景 */

2026-07-26T23:00:34Z

应用场景

Jake：/* 与认知神经科学的关联 */

2026-07-26T22:58:51Z

与认知神经科学的关联

@@ 第25行： / 第25行： @@
 Hopfield网络无分层结构，仅单层神经元，满足三条核心约束：
-# '''全互连无自环'''：共[math]N[/math]个神经元，每个神经元与其余N-1个神经元双向连接，自身权重[math]w_{ii}=0[/math]；
+* '''全互连无自环'''：共[math]N[/math]个神经元，每个神经元与其余N-1个神经元双向连接，自身权重[math]w_{ii}=0[/math]；
-# '''权重对称'''：神经元[math]i[/math]到[math]j[/math]的连接权重等于[math]j[/math]到[math]i[/math]，即[math]w_{ij}=w_{ji}[/math]；
+* '''权重对称'''：神经元[math]i[/math]到[math]j[/math]的连接权重等于[math]j[/math]到[math]i[/math]，即[math]w_{ij}=w_{ji}[/math]；
+* 神经元分两类状态定义：
-神经元分两类状态定义：
+** 离散型：二值状态[math]x_i \in \{+1,-1\}[/math]，+1代表神经元激活放电，-1代表抑制静默；
-* 离散型：二值状态[math]x_i \in \{+1,-1\}[/math]，+1代表神经元激活放电，-1代表抑制静默；
+** 连续型：取值[math]x_i \in [0,1][/math]，采用[[Sigmoid激活]]。
 === 权重矩阵学习（赫布规则） ===

@@ 第24行： / 第24行： @@
 == 网络结构 ==
 Hopfield网络无分层结构，仅单层神经元，满足三条核心约束：
-. '''全互连无自环'''：共[math]N[/math]个神经元，每个神经元与其余N-1个神经元双向连接，自身权重[math]w_{ii}=0[/math]；
-. '''权重对称'''：神经元[math]i[/math]到[math]j[/math]的连接权重等于[math]j[/math]到[math]i[/math]，即[math]w_{ij}=w_{ji}[/math]；
+# '''全互连无自环'''：共[math]N[/math]个神经元，每个神经元与其余N-1个神经元双向连接，自身权重[math]w_{ii}=0[/math]；
-. 神经元分两类状态定义：
+# '''权重对称'''：神经元[math]i[/math]到[math]j[/math]的连接权重等于[math]j[/math]到[math]i[/math]，即[math]w_{ij}=w_{ji}[/math]；
 * 离散型：二值状态[math]x_i \in \{+1,-1\}[/math]，+1代表神经元激活放电，-1代表抑制静默；
 * 连续型：取值[math]x_i \in [0,1][/math]，采用[[Sigmoid激活]]。

@@ 第4行： / 第4行： @@
 == Hopfield 网络模拟 ==
-画图案后点「记忆」；清空后画残缺或带噪版本，再点「回忆」：
+霍普菲尔德网络（Hopfield network）是一个非常简单的框架，能够实现对模式的“学习”（记忆）与“推理”（回忆）。它还具备联想记忆的特征——也就是说，当给定的模式不完整和/或带有噪声时，它依然能够回忆起已习得的模式。
 <htmltag tagname="iframe" src="/applets/hopfield/index.html" style="display:block; margin-bottom:1em; width:780px; height:560px; border:solid 1px #ddd;"></htmltag>

←上一版本		2026年7月26日 (日) 23:06的版本
第122行：		第122行：

	== 参考文献 ==		== 参考文献 ==
		+	* 核心论文
	{{reflist}}		{{reflist}}

@@ 第123行： / 第123行： @@
 == 参考文献 ==
 {{reflist}}
-# 教材专著
+* 教材专著
-. Amit D J. Modeling Brain Function: The World of Attractor Neural Networks[M]. Cambridge University Press, 1992.
+# Amit D J. Modeling Brain Function: The World of Attractor Neural Networks[M]. Cambridge University Press, 1992.
-. Rojas R. Neural Networks: A Systematic Introduction[M]. Springer, 1996.
+# Rojas R. Neural Networks: A Systematic Introduction[M]. Springer, 1996.
 == 外部链接 ==

@@ 第15行： / 第15行： @@
 === 正式提出与发展 ===
-年[[约翰·霍普菲尔德]]在《美国国家科学院院刊》发表论文<ref name='hopfield_1982'>{{cite journal|author=Hopfield J J.|title=Neural networks and physical systems with emergent collective computational abilities|journal=Proceedings of the National Academy of Science|year=1982|volume=79|issue=8|page=2554-2558}}</ref>，将[[自旋系统]]与[[神经网络]]结合，建立完整收敛性证明，证明对称权重网络存在[[李雅普诺夫能量函数]]，迭代必然收敛至局部极小值（存储记忆）。1984年霍普菲尔德拓展出'''连续Hopfield网络'''，[[神经元]]取值连续，适配优化问题<ref name='hopfield_1984'>{{cite journal|author=Hopfield J J.|title=Neurons with graded response have collective computational properties like those of two-state neurons|journal=Proceedings of the National Academy of Science|year=1984|volume=81|issue=10|page=3088-3092}}</ref>
+年[[约翰·霍普菲尔德]]在《美国国家科学院院刊》发表论文<ref name='hopfield_1982'>{{cite journal|author=Hopfield J J.|title=Neural networks and physical systems with emergent collective computational abilities|journal=Proceedings of the National Academy of Science|year=1982|volume=79|issue=8|page=2554-2558}}</ref>，将[[自旋系统]]与[[神经网络]]结合，建立完整收敛性证明，证明对称权重网络存在[[李雅普诺夫能量函数]]，迭代必然收敛至局部极小值（存储记忆）。1984年霍普菲尔德拓展出'''连续Hopfield网络'''，[[神经元]]取值连续，适配优化问题<ref name='hopfield_1984'>{{cite journal|author=Hopfield J J.|title=Neurons with graded response have collective computational properties like those of two-state neurons|journal=Proceedings of the National Academy of Science|year=1984|volume=81|issue=10|page=3088-3092}}</ref>。
-年后Krotov、Hopfield提出'''现代Hopfield网络（稠密关联记忆）'''，突破经典模型极低存储容量限制，数学上等价于[[Transformer]][[自注意力]]层，广泛应用于[[大语言模型]]记忆检索。
+年后Krotov、Hopfield提出'''现代Hopfield网络（稠密关联记忆）'''<ref name='krotov_2016'>{{cite journal|author1=Krotov D|author2=Hopfield J J.|title=Dense associative memory for pattern recognition|journal=Advances in Neural Information Processing Systems|year=2016|volume=29}}</ref>，突破经典模型极低存储容量限制，数学上等价于[[Transformer]][[自注意力]]层，广泛应用于[[大语言模型]]记忆检索。
 == 网络结构 ==

@@ 第104行： / 第104行： @@
 == 应用场景 ==
-# 传统应用
+===传统应用===
-. 图像降噪、残缺图案修复、手写字符识别；
+# [[图像降噪]]、残缺图案修复、手写字符识别；
-. 组合优化：路径规划、资源分配、电路布局；
+# [[组合优化]]：[[路径规划]]、资源分配、[[电路布局]]；
-. 故障诊断、模式匹配、简单故障联想检索。
+# 故障诊断、[[模式匹配]]、简单故障联想检索。
-# 现代拓展应用
+===现代拓展应用===
-. 大语言模型长文本记忆检索；
+# [[大语言模型]]长文本记忆检索；
-. 计算机视觉少样本图像匹配；
+# [[计算机视觉]]少样本图像匹配；
-. 类脑机器人感知系统、仿生记忆芯片；
+# 类脑机器人感知系统、仿生记忆芯片；
-. 认知心理学仿真、精神疾病神经建模。
+# 认知心理学仿真、精神疾病神经建模。
 == 参见 ==

@@ 第97行： / 第97行： @@
 == 与认知神经科学的关联 ==
 Hopfield吸引子模型被广泛用于解释人脑感知与自我表征机制，对应前文[[主体性自我模型理论]]核心观点：
-. 网络存储的稳定吸引子 = 大脑长期塑造的感知模板（人脸、身体轮廓、自我形象）；
-. 残缺感官输入（幻肢、模糊视觉）= 带噪声初始状态；
+# 网络存储的稳定吸引子 = 大脑长期塑造的感知模板（人脸、身体轮廓、自我形象）；
-. 能量收敛自动补全信息 = 大脑整合多通道感知生成统一连贯的自我模型；
+# 残缺感官输入（幻肢、模糊视觉）= 带噪声初始状态；
-. 多吸引子互相干扰、跳转 = 解离障碍、人格解体、精神分裂等自我感知错乱的简化数学模型。
+# 能量收敛自动补全信息 = 大脑整合多通道感知生成统一连贯的自我模型；
 == 应用场景 ==