Parallel nonlinear optimization techniques for training neural networks

In this paper, we propose the use of parallel quasi-Newton (QN) optimization techniques to improve the rate of convergence of the training process for neural networks. The parallel algorithms are developed by using the self-scaling quasi-Newton (SSQN) methods. At the beginning of each iteration, a s...

Celý popis

Podrobná bibliografie

Vydáno v:	IEEE transactions on neural networks Ročník 14; číslo 6; s. 1460 - 1468
Hlavní autoři:	Phua, P.K.H., Daohua Ming
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	United States IEEE 01.11.2003
Témata:	Backpropagation algorithms Benchmark testing Character generation Convergence Feedforward neural networks Least squares methods Neural networks Neurons Optimization methods Parallel algorithms
ISSN:	1045-9227
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!