第二類正交（張量）權函數神經網絡的算法復雜度研究及其應用.pdf

1、權函數神經網絡是近些年來發(fā)展起來的一種新型神經網絡，該算法具有很多優(yōu)點，例如可以直接求得全局最優(yōu)點，具有很好的泛化能力，訓練后的權函數能夠反映樣本內部的有價值的信息特征等。算法復雜度是衡量算法好壞的一個重要指標，算法復雜度較低的算法運行效率通常更高。因此，研究第二類正交權函數的算法復雜度是非常有意義的。
　　本文在權函數神經網絡理論基礎上，結合數值分析、正交函數和算法復雜度等知識進行理論分析以及公式推導，對第二類正交權函數神經網絡

2、的算法復雜度進行研究。最終得出第二類正交權函數神經網絡的算法時間復雜度與輸入維數、輸出維數以及樣本點個數的關系。在理論分析的基礎上，運用MATLAB工具對第二類正交權函數神經網絡的算法復雜度進行了仿真實驗，證明了理論分析是正確的。
　　權函數神經網絡訓練中可能存在輸入相同輸出不同的樣本點，稱之為奇異樣本。奇異樣本的出現會導致權函數不可解，從而造成神經網絡訓練的終止。為了解決這種弊端，在導師的指導下，本文初步研究了基于張量空間變換的