前向神经网络的神经元分层逐个线性优化快速学习算法

• 作者: 张国立 牛东晓 程浩忠 谢宏
• 来源期刊: 电子学报
• 学科: 工学
• 关键词: 前向神经网络 学习算法 分层优化 神经元逐个优化
• 年，卷（期）: 2005,（1）
• 所属期刊栏目: 学术论文
• 页码范围: 111-114
• 页数: 4页
• 分类号: TP183
• 字数: 3263字
• 语种: 中文
• DOI: 10.3321/j.issn:0372-2112.2005.01.024

摘要

本文提出了一种新的前向神经网络快速分层学习算法.在此学习算法中,其优化策略为对输出层和隐层神经元的连接权值交替优化.对输出层权值优化算法采用基于广义逆的最小二乘递推算法,对隐层神经元的连接权值采取则对每个神经元逐个进行优化,而且采用正交变换加快每一步学习的计算速度和提高算法的数值稳定性.当学习过程停滞时采用随机扰动的方法摆脱过早收敛.数值实验表明,与BP动量因子法、牛顿型方法和现有的分层优化算法相比,新算法不仅学习速度快学习时间短,而且当网络规模增大时仍然比较有效.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	程浩忠	上海交通大学电气工程系	323	10481	55.0	85.0
2	牛东晓	华北电力大学工商管理学院	306	6130	40.0	64.0
3	谢宏	上海海事大学信息工程学院	74	842	11.0	27.0
4	张国立	华北电力大学工商管理学院	36	725	12.0	26.0