基于标准Hebb学习规则的振荡器神经网络的相变
无序系统与神经网络
2014-09-08 v1 统计力学
摘要
研究了基于标准Hebb学习规则（如Hopfield模型）的振荡器网络模型的相变现象。相对相位信息——同相和反相——可以被嵌入到网络中。通过自洽信噪比分析（SCSNA），发现存储容量为，优于Cook模型。然而，检索质量较差。此外，还研究了由相位动力学不对称性引起的加速效应。最后，数值结果表明，通过修改耦合函数的形状可以提高存储容量。
引用
@article{arxiv.cond-mat/9808121,
title = {Phase Transitions of an Oscillator Neural Network with a Standard Hebb Learning Rule},
author = {Toru Aonishi},
journal= {arXiv preprint arXiv:cond-mat/9808121},
year = {2014}
}
备注
10 pages, 6 figures