Hopfield網絡可以將模擬信號轉換成數字形式，實現聯想記憶、信號估計和組合最優化，類似于人類視網膜實現第一極信號處理的方法。本設計實例探究了Hopfield神經網絡ADC的范例。

　　簡單的轉換器由一些單層神經元組成，其接收模擬輸入，并產生數字位輸出；這樣的神經元構成了一種自適應和分布性的處理網絡。這些神經元由電壓比較器和反饋電阻組成，電壓比較器驅動模擬轉換器或跟隨器，反饋電阻全部接在逆變器或跟隨器的模擬輸出與比較器之間（圖1和圖2）。參考和模擬輸入電壓驅動神經網絡，數字輸出來源于網絡中的比較器。Hopfield網絡具有學習能力，本設計實例的電路，通過在輸入比較器之間使用可選的比較器-逆變器/比較器-跟隨器方案、電導節點布局方案（反饋電阻的倒數）以及位順序讀出器，從而采用不同的自適應學習規則。

　　隨著模擬輸入電壓的增加，電路產生單調遞增（比較器-逆變器方案）或遞減的（比較器-跟隨器方案）位-字輸出。遞減的輸出是遞增輸出的補碼，建議使用遞減的位運算。此外，可以使用不同的電導節點布局作為規則適應的一部分，在不同程度上整形轉換器對模擬輸入電壓產生數字響應。為了實現更大的靈活性，可以顛倒數字讀出器的位順序，以體現電路對模擬輸入/數字輸出特性的響應。

　　可以簡單地聲明一些符號及其含義來構造兩個轉換器。對能量函數，電阻網絡電導——以電阻(R)的倒數表示的神經鍵的權重（S）——定義為SIJ=1/RIJ，其中I為第I個輸入比較器，J為到第I個比較器的第J條反饋路徑，I不等于J——也就是說，沒有比較器的自反饋路徑。第I個比較器的輸入端和參考電壓VR之間的電導，定義為SIR=1/RIR。第I個比較器的輸入端和模擬輸入信號電壓VS的電導，定義為SIS=1/RIS。

　　對于圖形曲線擬合，Y為歸一化輸出位變量，X為非零平均值（小于1）到1的歸一化輸入模擬電壓。A、B和C為曲線方程 Y="1-A"×(1-X)C 和互補曲線方程Y=A×(1-X)C的擬合常數，其中，A為系數，B為X的下極限，且小于1，C為功率常數。對位模式讀出器反轉，有曲線方程 Y="A"×(X-B)C和互補曲線方程Y=1-A×(X-B)C。

　　圖1顯示了一個使用比較器驅動電壓逆變器的4位神經網絡ADC。 比較器的正端連接到輸入節點，負端接地。 這個網絡的基數是1/2的倍數——也就是說，2的倒數的倍數，輸入節點電導SIJ=-1×2(2-I-J)，其中，-1表示相關電阻的負反饋；SIR=2(1-2×I)；SIS=2(1-I)。 為確定節點電阻，選擇最大節點電阻為1kΩ，相應的最小電導為0.0078125，而最小節點電阻7.8125Ω，相應的最大電導為1。 按電導間的極值比計算所有電阻。 使用這些值，可以構成表1。 表中列出了從最高有效位到最低有效位的位。 表格說明數字化過程并不精確，因為其不是線性的，造成輸入電壓和許多中間位字的丟失。 但是從其在相當大的輸入電壓范圍內是可重復的來看，這一過程又是精確的。從表格可以得到下面的曲線擬合方程： Y="1-1".6243×(1-X)3.1508。 當X覆蓋歸一化的0.1427到1范圍，A=1.6243，B=0.1427和C=3.1508。 Y基本上為三次方程，其量化顯示出數字化過程的高度非線性特性。 可以在電路中通過反轉位順序讀出器在歸一化圖形上獲得直線的曲線版的“回轉”鏡像——也就是說，不是一個真正的鏡像，是一個偽鏡像，所以曲線方程結果為： Y="1".6243×(X-0.1427)3.1508。

　　沒有模擬-輸入-電壓轉換，例如使用查詢表或對數放大器處理輸入電壓或數字校準邏輯，簡單Hopfield神經網絡轉換器的數字響應為非線性的和粗略的。然而，由于輸出精度的魯棒性，這些響應仍可能對聯想記憶和模式分類的應用有效。

　　確實，由于輸出數字的穩定性，Hopfield神經轉換器可以承受不需要的模擬-輸入-信號噪聲或變量。這個情形與傳統模擬傳輸媒介和數字計算裝置之間的接口電路形成了強烈的對比。本設計實例顯示了靈活的電路適應性從神經網絡ADC產生各種形式的穩定數字輸出，取決于神經網絡信號處理的設計人員需求。這種適應性體現在不同的輸入節點電導布局、不同的比較器-逆變器和比較器-跟隨器組合以及比較器位讀出模式的可選順序。