网络组成

DHNN网络由n个神经元组成，每个神经元取值为1或-1。

每个神经元既是输入，也是输出，如果采用异步更新的策略，每次只更新一个神经元，更新顺序可以任意。激活函数为符号函数，大于等于零激活为1，反之为-1，每个神经元没有自反馈，即权重矩阵对角线为零。

DHNN输入一个值后，神经元状态不断更新后最终会收敛于某个“吸引子”。“吸引子”就是网络存储的记忆，是通过网络权重存储的。网络权重的计算方法一般有下面两种：联立方程求解法和外积和法。一般后面的方法用得较多。
DHNN网络是批学习网络，一次性输入样本一次性学习。输入的样本即“吸引子”，若样本值两两正交，则网络最稳定，理论上样本数上限为n。但一般很难做到两两正交，减少样本数（p<0.14n）可以提高抗畸变性，否则会出现“伪吸引子”。

DHNN网络可以靠下面的能量函数判断收敛状态，随着网络更新，能量函数处于递减趋势。

程序实现

下面是一个简单的python实现程序，可以输入简单样本和预测目标后进行不断更新。
Github地址

# -*- coding: utf-8 -*-
import numpy as np
import time


def sgn(x):
    """激活函数"""
    y = 1 if x >= 0 else -1
    return y


class DHNN:
    def __init__(self, v0, tra):
        """初始化"""
        self.n = np.size(v0)  # 神经元个数
        self.W = np.diag(np.zeros(self.n))  # 权矩阵 对角线元素为零的对称矩阵
        self.V = v0  # 神经元状态 取值:{-1,1}
        self.Ip = np.zeros(self.n)  # 偏置矢量
        self.T = np.zeros(self.n)  # 阈值矢量
        self.train(tra)

    def update(self, i):
        """网络更新"""
        net = np.dot(self.V, self.W[:, i]) + self.Ip[i] - self.T[i]
        self.V[i] = sgn(net)
        E = -1 / 2 * np.dot(np.dot(self.V.T, self.W), self.V) - np.dot(self.Ip.T, self.V) + np.dot(self.T.T, self.V)
        # print('能量', E)
        # print('状态', self.V)
        return E, sgn(net)

    def train(self, sample):
        """网络权重计算（记忆存储）"""
        S = sample
        for i in range(self.n):
            for j in range(self.n):
                delta = 1 if i == j else 0
                a = []
                for m in S:
                    a_ = m[i] * m[j]
                    a.append(a_)
                self.W[i, j] = (1 - delta) * np.sum(a)
        print('权重\n', self.W)


if __name__ == '__main__':
    St = np.array([[-1, -1, 1, 1],
                   [-1, 1, 1, -1]])
    test = DHNN(np.array([1, 1, -1, 1]), St)
    while True:
        time.sleep(1)
        test.update(3)

上面这个程序我还做了一个gui界面用于上课演示。

当我将上面的程序用于手写数字识别时，图片采用16*16共256个神经元，当样本数量小于4个时，还有点效果，当样本数多了之后，某些“伪吸引子”和样本的吸引力实在太强导致网络效果极差。想必用于实际用途需要更多的改进算法。

参考

https://zhuanlan.zhihu.com/p/144624580
https://blog.csdn.net/qq_41185868/article/details/80789989
https://blog.csdn.net/weixin_42398658/article/details/84027012
https://space.bilibili.com/529985682/video