人工神经网络的非线性动力学化方程学习算法

本文提出了一个新的人工神经网络的学习算法，将网络的学习问题处理为互连权「空间的线性规划问题，进而将通常的人工神经网络组态空间的非线性动力学方程方法推广到人工神经网络的互连权空间，并在方程中引入类似Ｍｅｔｒｏｐｏｌｉｓ的Ｍｏｎｔｅ Ｃａｒｌｏ算法机制以提高寻优能力，这一人工神经网络的演化方程学习算法，在很大程度上脱了局极值的束缚，得到了最优或接近最优的互连权。当引入Ｑ－Ｉｓｉｎｇ模型之后。