?

??? 很久以來我都只能理解Hebb的正向規則，因為意識（記憶）的相關性，相近性，所以網絡應該是正向規則。但是有很多事情我無法用這種規則解決，比如饑餓與飽這兩種相反狀態，高矮，1-0這些在我們的記憶中卻是關聯存在的，但是正向規則的話他不會包容反意概念的存在，盡管他可以將反意的概念關聯，但是他對反意的解只能形成一個相同的概念，因為關聯的節點基本上可以認為是等價的概念。

??? 我最開始認識負向規則時，我無法理解（因為我理解錯了^_^），因為它會減弱神經元之間的連接,導致關聯記憶被破壞，退化，最近最近重新看資料，大有啟發，負向規則可以定義為增強網絡的連接。這樣就能形成上述矛盾解對的概念，即兩個反意解相互關聯，當我們決策的時候，從兩個不同的出發點出發的時候得到兩個相反解得時候我們應該怎樣決策，這樣有利于智能從多個不同角度考慮問題，所以現實中你經常會看到很多人對同一個問題的有著矛盾的解，但是每個解都是正確的。

??? 現在我們看看傳統理論對矛盾解得決策。

??? 在模糊集論中有個經典的例子，eg:有100個人，分布在1.6-2.1米之間，問你1.7米的人是高還是矮。經典集合給一個界限1.8以上是高.以下是矮。模糊集中會統計所有人，然后根據集合的情況給你個1.7米的人高和矮的概率，然后根據概率隨機決策咯，之所以模糊集的描述合理，是因為模糊集使用的是人類總結的經驗。但是他有缺陷，就是它僅僅只是一種專家系統，不會自己總結規律經驗的。傳統集合論可以認為是一階經驗，模糊集論可以認為是2階經驗，人腦是N階經驗，因為人腦可以無限度通過經驗修改經驗。

??? 現在我們來看看負向規則的神經網絡怎么樣將兩種矛盾解反意的解關聯出來，然后決策形成最終的無奈解。^_^
??? 一個對高度數據減1.8的輸入關聯到一個負向連接的神經元對上，他們之間負向連接，一個被激活，則另一個被負向加強，之間能量流方向的連接被加強（使得一方更容易關聯另一個），這兩個神經元自己都用正向規則開始生長發展自己的網絡，在彼此網絡的深處用一個網絡將這兩個網絡正向關聯起來作為輸出，很顯然只有有神經元輸入的情況下網絡才會根據輸入生長，增長度為樣本輸入的作用時間，以及網絡自身能量強度維持的時間，這樣輸入樣本經過訓練后會得到兩個有規模的網絡，而且這兩個網絡彼此負向定義，他們一同正向連接到一個輸出網絡，那么最終決策就看這兩個網絡的規模了，誰的規模度大誰就占優，但是它不是單獨解存在，他對不同解都有一定深度的認可，只不過最終輸出一個無奈解。

??? 上面說到的他得到的最終結果看似是集合論的結果，但是它的過程還是有一定的其他因素干擾，這被認為是隨機的，所以最終結果是模糊集算法的結果，因為網絡有詭異，就是網絡的作用時間，以及其他概念網絡的干擾。
??? 比如兩個輸入樣本之間就會有干擾，這是由于網絡中思維切換滯后產生的，前一個1.82米我們認為是高，后一個1.75米（低），由于兩個輸入相差不大，且網絡中上一個能量沒有耗散完畢，所以這次輸入由于反差不大不會網絡造成很大的能量布局變換，所以最終輸出結果會將其與上一個樣本歸類為一個。 ?

轉載于:https://www.cnblogs.com/AthlonxpX86/archive/2008/02/11/9595067.html

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的Hebb负向规则与矛盾解对的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。