Hopfield-mnist 它包含两个python文件（mnist.py和hopfield4gif.py）。 mnist.py通过使用实现了一些获取和破坏的功能。 另一方面，hopfield4gif.py实现了训练和推断算法（即，外部产品构造和同步更新规则）。 给定训练数据（即MNIST手写数字）和偏差项，就可以确定Hopfield网络的所有参数，该网络从损坏的数据中重建训练数据。 主要功能输出由偏置项参数化的重建数据（80 png图像）的集合。 这些png图像用于制作由偏置项参数化的gif动画。

在本文中，我们分析了离散竞争Hopfield网络（DCHOM）中的权重定义公式，并指出了它在解决某些最大集团问题（MCP）的特殊情况时的缺陷。 在分析的基础上，我们提出了一种改进的竞争Hopfield网络算法（ICHN）。 在ICHN中，我们引入了一种灵活的权重定义方法，该方法激发了竞争动态，并且还提出了一种初始值设置策略，该策略有效地增加了找到最优解的可能性。 此外，引入了抑制性竞争激活机制以形成新的输入更新规则，该规则将显着减少具有中等激活水平的神经元的数量。 我们的算法有效地克服了DCHOM的缺陷，并且对MCP具有强大的求解能力。 对基准问题和实际应用的实验证明了该算法的有效性。