Convergence of batch gradient learning algorithm with smoothing L1/2 regularization for Sigma–Pi–Sigma neural networks

Sigma–Pi–Sigma neural networks are known to provide more powerful mapping capability than traditional feed-forward neural networks. The L1/2 regularizer is very useful and efficient, and can be taken as a representative of all the Lq(0<q<1) regularizers. However, the nonsmoothness of L1/2 regu...

Celý popis

Podrobná bibliografie

Vydáno v:	Neurocomputing (Amsterdam) Ročník 151; s. 333 - 341
Hlavní autoři:	Liu, Yan, Li, Zhengxue, Yang, Dakun, Mohamed, Kh.Sh, Wang, Jing, Wu, Wei
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Elsevier B.V 03.03.2015
Témata:	Batch gradient learning algorithm Convergence Sigma–Pi–Sigma neural networks Smoothing L1/2 regularization Sigma–Pi–Sigma neural networks Batch gradient learning algorithm Convergence Smoothing L1/2 regularization
ISSN:	0925-2312, 1872-8286
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!