人工神经网络的互连权空间的演化方程学习算法

摘要

本文把人工神经网络的互连权视为广义的自旋变量，网络的学习问题看作互连权空间的优化问题．进而将通常在人工神经网络组态空间的连续时间动力学方程组推广到人工神经网络的互连权空间，并在方程组中引入类似Metropolis的MonteCarlo算法机制改进此方程组以提高寻优能力，提出了一个人工神经网络的演化方程学习算法．该算法在很大程度上摆脱了局域极值的束缚，得到了最优或接近最优的互连权．本文集中研究单层反馈人工神经网络，将互连权组态空间的能量函数取为二次函数，研究了由该学习算法得到的网络的最大存储容量ac．结果表明，当神经元数较少时，得到了接近赝逆模型的结果，并且随神经元数的增大存储容量缓慢降低．