ISSN: 2165- 7866
К. -Л. Ду
Благодаря обратным связям рекуррентные нейронные сети (RNN) являются динамическими моделями. RNN могут обеспечить более компактную структуру для аппроксимации динамических систем по сравнению с нейронными сетями прямого распространения (FNN). Для некоторых моделей RNN, таких как модель Хопфилда и машина Больцмана, свойство фиксированной точки динамических систем может быть использовано для оптимизации и ассоциативной памяти. Модель Хопфилда является наиболее важной моделью RNN, а машина Больцмана, а также некоторые другие стохастические динамические модели предлагаются в качестве ее обобщения. Эти модели особенно полезны для решения комбинаторных задач оптимизации (COP), которые являются печально известными NP-полными задачами. В этой статье мы даем современное введение в эти модели RNN, их алгоритмы обучения, а также их аналоговые реализации. Ассоциативная память, COP, имитация отжига (SA), хаотические нейронные сети и многоуровневые модели Хопфилда также являются важными темами, рассматриваемыми в этой статье.