Learning Algorithms for Quaternion-Valued Neural Networks

This paper presents the deduction of the enhanced gradient descent, conjugate gradient, scaled conjugate gradient, quasi-Newton, and Levenberg–Marquardt methods for training quaternion-valued feedforward neural networks, using the framework of the HR calculus. The performances of these algorithms in...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	Neural processing letters Jg. 47; H. 3; S. 949 - 973
1. Verfasser:	Popa, Călin-Adrian
Format:	Journal Article
Sprache:	Englisch
Veröffentlicht:	New York Springer US 01.06.2018 Springer Nature B.V
Schlagworte:	Algorithms Approximation Artificial Intelligence Artificial neural networks Back propagation Calculus Complex Systems Computational Intelligence Computer Science Conjugate gradient method Machine learning Neural networks Quaternions Teaching methods Time series Quaternion-valued neural networks Resilient backpropagation SuperSAB Levenberg–Marquardt algorithm Conjugate gradient algorithms Quickprop Scaled conjugate gradient algorithm Time series prediction Quasi-Newton algorithms Delta-bar-delta
ISSN:	1370-4621, 1573-773X
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Schreiben Sie den ersten Kommentar!