Es una forma de red neuronal artificial recurrente inventada por John Hopfield.

Las redes de Hopfield se usan como sistemas de Memoria asociativa con unidades binarias. Estn diseadas para converger a un mnimo local, pero la convergencia a uno de los patrones almacenados no est garantizada.

Arquitectura La red de Hopfield es una red monocapa, esto es, de una sola capa. Aunque tambin se puede mostrar como una red bicapa de dos capas, la primera capa seria una capa de sensores y la segunda capa ser la capa donde se realiza el procesamiento. En la versin bicapa la manera de interconexionar ambas capas es unir la primera capa a la segunda linealmente, esto es cada neurona con su respectiva, y despus unir todas las neuronas con todas en la misma capa. La red de Hopfield toma valores bipolares esto es, {-1,1}, sin embargo se pueden usar tambin valores binarios {0,1}.
es una memoria auto-asociativa, de una sola capa, totalmente conectada y recurrente.

Este modelo consiste en una red monocapa con N neuronas cuyos valores de salida son binarios : 0/1 -1/+1. Las funciones de activacin eran del tipo escaln. Se trata, por tanto, de una red discreta con entradas y salidas binarias;

* 0i es el umbral de disparo de la neurona i, que representa el desplazamiento

de la funcin de transferencia a lo largo del eje de ordenadas (x). En este modelo suele adoptarse un valor proporcional a la suma de los pesos de las conexiones de cad neuorna con el resto: 0i = k SumNj=1 wji
donde : Sum es la sumatoria desde j = 1 hasta N k es la constante de proporcionalidad

Si se trabaja con los valores binarios -1 y +1, suele considerarse el valor nulo para 0i. Si los valores son 0 y 1, se toma un valor de 1/2 para k. Caracteristicas Es decir los pesos de un PE a otro tiene el mismo valor en ambas direcciones. Cada PE est conectado con todos los dems, incluso con si mismo pero el valor de

Funcionamiento

Supongamos una red de Hopfield sencilla (como la de la figura 8), formada por 3 neuronas en la capa de entradas, 3 en la capa media y otras 3 en la capa de salidas. Cuando se introduce un dato en la capa de entradas, este es transmitido sin variacin hacia la capa media. Una vez en la capa media, las neuronas que la forman modificaran su estado en funcin del estado de activacin de las otras neuronas de la capa. Pero para esto, es preciso que las neuronas de la capa media no dejen de estar activas despus de transmitir su estado a las otras neuronas (como s suceda en el modelo del Perceptrn). Adems, las neuronas de esta capa media actualizan su estado de manera aleatoria: la neurona a la que le toca actualizarse es elegida al azar. De esta manera primero se actualizara una neurona elegida al azar, luego otra, tambin elegida al azar, .... Todo el proceso de actualizaciones en la capa media se dar hasta que se alcance un equilibrio. Cuando se llega al equilibrio, los estados de las neuronas de la capa media ya no se modifican; se mantienen estables. Y es entonces cuando la capa media transmite su patrn de activacin a la capa de salidas, que lo recibe sin modificacin alguna.

Existen varios problemas asociados a la red Hopfield. Nmero limitado de entradas en la etapa de aprendizaje: Si se almacenan demasiadas informaciones, durante su funcionamiento la red puede converger a valores de salida diferentes de los aprendidos, con lo que la tarea de asociacin entre la informacin presentada y alguna de las almacenadas se realiza incorrectamente. El nmero mximo de patrones no correlacionados que puede almacenar es igual al 15% del nmero de neuronas de la red

7. Ortogonalidad de las informaciones aprendidas: Si las informaciones almacenadas no son suficientemente diferentes entre s (no son ortogonales) puede ocurrir que ante una entrada

la red no haga una asociacin correcta y genere una salida errnea.

Dinmica de la red de hopfield

Ejecutar un patrn en la red de Hopfield consiste en enviar un patrn en la red y actualizar las neuronas repetidamente hasta que se estabilicen los estados de las neuronas a un patrn memorizado. Con pasos sera as. 1 Se establece el patrn de entrada en la capa de entrada. 2. Se actualizan las neuronas de la capa de procesamiento. 3. Si han cambiado el estado de la red o hemos realizada ya el nmero mximo de iteraciones paramos. 4. Si no volvemos al pasos 2. Las neuronas de actualizan de la siguiente manera:

Sea POT = El potencial de la neurona i, Pij = El peso asociado a la sinapsis que une las neuronas i de la capa actual y j de la capa de sensores. Ej = El estado del sensor j Entonces POTi = SumatorioEnj(Pij*Ej)

Y el estado de la neurona y la funcin de salida es la funcin signo Si los valores de entrada fuesen binarios deberamos usar la funcin escaln en vez de la funcin signo. El potencial se calcula de la misma manera que en el caso bipolar