hopfield网络联想记忆实现方法
Hopfield联想记忆实现原理
H网的E能量函数，平稳点——谷，这些谷与要记忆的内容对应。设法把所需记忆的模式设计成某个确定网络状态的一个稳定平衡点。当网络从与记忆模式较靠近的某个初始状态（即发生某些变形或含有某些噪声的记忆模式）出发后，网络按H网工作运行规则进行状态更新；最后网络的状态将稳定在能量函数的极小点，即记忆模式所对应的状态。这样，就完成了由部分信息（含躁声的记忆模式）到全部信息（记忆模式）的联想过程。
设计方法

学习模式——决定权重 想要记忆的模式，用-1和1的2值表示模式：-1，-1，1，-1，1，1，...
P：模式的总数
ap(s)：第p个模式的第s个要素（-1或1）
wij：第j个神经元与第i个神经元间的权重
任意两个神经元j、i间的权重：
wij=∑ap(i)ap(j)，p=1…p；
i = j时，wij=0，即各神经元的输出不直接返回自身。想起模式 神经元输出值的初始化
想起时，一般是未知的输入。设xi(0)为未知模式的第i个要素（-1或1）
将xi(0)作为相对应的神经元的初始值，其中，0意味t=0。
反复部分：对各神经元，计算：
xi (t+1) = f (∑wijxj（t）-θi),j=1…n, j≠i
n—神经元总数；f（）--Sgn（）； θi—神经元i发火阈值
反复进行，直到各个神经元的输出不再变化。

结果如下
目标状态
-1   1  -1  
 1  -1   1  
 1   1   1  
 1  -1   1  
 1  -1   1  
初始状态
-1  -1  -1  
 1  -1   1  
 1  -1   1  
 1  -1   1  
 1  -1  -1  
运行后状态
-1   1  -1  
 1  -1   1  
 1   1   1  
 1  -1   1  
 1  -1   1  
将结果矩阵中1连起来，就是一个字母A