本项目考虑人工神经网络权值学习中广泛使用的在线梯度法的收敛性,这是神经网络研究对计算数学提出的一个新课题.在上一个自然科学基金项目中,我们研究了不带隐层的前馈网络,给出了一系列确定型收敛性结果。本项目希望将这一结果推广到更复杂、更实用的带隐层前馈网络,即BP网络。我们的确定型收敛性结果多少有些"出人意外",因为在线梯度法是一种随机型学习方法,常见的收敛性结果理所当然地是概率型的。我们的结果,即在线梯度法在一些特殊条件下确定地收敛,是对上述一般结果的有益补充,有助于更全面更深刻地理解与应用在线梯度学习算法。另外,为加快收敛速度和增加稳定性,人们常常对在线梯度法学习算法引入惯性项。我们希望研究这种惯性项对收敛性的影响。我们还打算研究神经网络的逼近能力。在应用方面,我们将考虑股市预测和数学公式识别等问题.
{{i.achievement_title}}
数据更新时间:2023-05-31
氟化铵对CoMoS /ZrO_2催化4-甲基酚加氢脱氧性能的影响
居住环境多维剥夺的地理识别及类型划分——以郑州主城区为例
城市轨道交通车站火灾情况下客流疏散能力评价
基于细粒度词表示的命名实体识别研究
基于FTA-BN模型的页岩气井口装置失效概率分析
动量项学习算法的确定型收敛性及应用研究
神经网络中在线学习算法的收敛性
前馈神经网络容错学习算法的设计与确定型收敛性研究
神经网络学习算法收敛性研究