---
status: seed
type: concept
tags: []
created: 2026-05-14
updated: 2026-05-15
aliases:
- КР - Хопфилд
---
# КР - Хопфилд

## Что могут спросить

1. Что такое сеть Хопфилда и для чего она нужна?
2. Почему сеть Хопфилда относится к ассоциативной памяти?
3. Какая у неё архитектура?
4. Как кодируются входные и эталонные образы?
5. Как рассчитываются веса?
6. Как сеть восстанавливает искажённый образ?
7. Какие есть ограничения?
8. Чем сеть Хопфилда отличается от сети Хэмминга?

## Краткий ответ

**Сеть Хопфилда** - однослойная рекуррентная нейронная сеть ассоциативной памяти. Она хранит набор эталонных образов и по искажённому или неполному входу пытается восстановить ближайший эталон.

Если вход похож на один из запомненных образов, сеть в процессе итераций приходит к устойчивому состоянию, соответствующему этому образу.

## Архитектура

- один слой нейронов;
- каждый нейрон связан с другими нейронами;
- выходы нейронов возвращаются на входы;
- связей нейрона с самим собой обычно нет;
- веса задаются один раз по эталонным образам;
- состояние сети пересчитывается до стабилизации.
![[Pasted image 20260515090322.png|400]]

Входной и выходной векторы имеют одинаковую размерность:

$$
X=(x_1,\dots,x_n),\quad x_i \in \{-1,1\}
$$

Эталонный образ:

$$
X^k=(x_1^k,\dots,x_n^k),\quad k=1,\dots,m
$$

где:

- $n$ - число нейронов и размерность образа;
- $m$ - число запоминаемых эталонов;
- $k$ - номер эталонного образа.

## Инициализация весов

Веса рассчитываются по эталонным образам:

$$
w_{ij}=\sum\limits_{k=1}^{m}x_i^kx_j^k,\quad i\neq j
$$

Связь нейрона с самим собой исключается:

$$
w_{ii}=0
$$

Смысл: если два признака часто имеют одинаковый знак в эталонах, связь между ними усиливается; если разные знаки - связь становится отрицательной.

## Алгоритм функционирования

1. На вход подаётся неизвестный или искажённый образ.

Начальное состояние сети:

$$
y_i(0)=x_i,\quad i=0,\dots,n-1
$$

2. Для каждого нейрона считается новое состояние:

$$
s_j(p+1)=\sum\limits_{i=0}^{n-1}w_{ij}y_i(p)
$$

3. Значение нейрона обновляется через пороговую функцию:

$$
y_j(p+1)=f(s_j(p+1))
$$

где обычно:

$$
f(s)=
\begin{cases}
1, & s \ge 0 \\
-1, & s < 0
\end{cases}
$$

4. Шаги повторяются, пока выходы не перестанут изменяться.

Если распознавание успешно:

$$
Y=X^k
$$

То есть сеть восстановила один из эталонных образов.

## Ограничения

Сеть Хопфилда может ошибиться, если:

- запомнено слишком много образов;
- эталоны слишком похожи друг на друга;
- вход слишком сильно искажён;
- сеть пришла к ложному устойчивому состоянию.

Оценка ёмкости:

$$
m \approx 0.15n
$$

где $m$ - число запоминаемых образов, $n$ - число нейронов.

## Отличие от сети Хэмминга

| Сеть | Что выдаёт | Когда нужна |
|---|---|---|
| Хопфилда | восстановленный образ | нужно восстановить полный эталон |
| Хэмминга | номер ближайшего образа | нужно выбрать класс/эталон |

Главная фраза для ответа: **сеть Хопфилда восстанавливает образ, а сеть Хэмминга выбирает ближайший образец по расстоянию Хэмминга**.

## Мини-ответ на контрольной

Сеть Хопфилда - рекуррентная сеть ассоциативной памяти для восстановления эталонного бинарного образа по искажённому входу. Веса рассчитываются один раз по эталонам:

$$
w_{ij}=\sum\limits_{k=1}^{m}x_i^kx_j^k,\quad w_{ii}=0
$$

После подачи входа сеть итеративно пересчитывает состояния нейронов через пороговую функцию, пока выходной вектор не стабилизируется. Если всё прошло успешно, устойчивое состояние совпадает с одним из эталонов.