類神經網路(neural networks) 已被研究了許多年，目的在於期望能夠完成如同人類
神經網路對語音(speech)及圖形(pattern) 辨認的能力。語音和圖形辨認的工作，必
須能夠對大量的輸入資料同時做處理，以及對於含雜訊或不完整的輸入有合理的反應
。類神經網路，其內部結構由許多彼此間交互連接，且能夠同時運算的處理元素所構
成，此平行處理(parallel processing) 的特性，再加上具有學習的能力，使其在語
音和圖形辨認的工作上特別有用。
本論文中，我們利用數位理論中之錯誤偵測及更正邏輯的技巧來改良傳統式Hopfield
類神經網路的學習及回想法則，亦即吾人利用單一運算子 XOR來完成網路的學習過程
及回想過程。此一運算元的特性可以避免進位延遲(carry popagation)的產生，因此
比傳統Hopfield網路利用類比的乘法和加法來達成網路的學習過程及回想過程要簡單
及快速。
為了能把錯誤偵測及更正邏輯順利應用Hopfiled類神經網路，吾人把類神經網路結構
做大幅度的修改，而成蜂巢式(alveolate) 的網路結構。此網路結構和傳統的Hopfi-
eld 網路結構最大的差異在於傳統網路之神經元間的鍵結採用全連通(full connect-
ion)的方式，而改良後的網路一個神經元只與三個神經元鍵結，因此大大減少神經鍵
的數目，不僅降低了網路的複雜度，而且甚有利於VLSI的製作。
為了驗証改良後的神經網在收斂速度與錯誤容忍度的優越表現，我們建立了一個能辨
認26個大寫英文字母和10個阿伯數字的辨認系統。經過實際模擬的結果，在雜訊20％
以下時，改良後的Hopfield類神經網路只經 1到 6次的重覆運算就收可收斂，且辨認
率達90％以上。而傳統的Hopfield類神經網路則須經 6到12次的重覆運算則才能收斂
，但辨認率不到5%。