用在线梯度法训练积单元神经网络的收敛性分析  

CONVERGENCE ANALYSIS OF AN ONLINE GRADIENT METHOD FOR PRODUCT UNIT NEURAL NETWORKS

作　　者：张超[1] 李正学[1] 陈先华[1] 熊焱[2] 

机构地区：[1]大连理工大学数学科学学院,大连116023 [2]辽宁科技大学理学院数学系,鞍山114051

出　　处：《高等学校计算数学学报》2010年第3期261-274,共14页Numerical Mathematics A Journal of Chinese Universities

基　　金：国家自然科学基金(10871220)资助项目

摘　　要：1引言仅由加和单元构成的传统前向神经网络已经广泛应用于模式识别及函数逼近等领域.但在处理比较复杂的问题时,这种网络往往需要补充大量的隐节点。Product unit neural network is one kind of Higher-Order neural network with exponential weights.Due to the special structure with exponential weights,it can provide more powerful internal representation capability than traditional feed-forward neural networks.In this paper,a convergence result for an online gradient method to train product unit neural networks is presented.The monotonicity of the error function during the training iteration process is also guaranteed. The experiment results are given by the...

关 键 词：product unit NEURAL network online GRADIENT method MONOTONICITY CONVERGENCE 

分 类 号：TP183[自动化与计算机技术—控制理论与控制工程]