基于梯度监督学习的理论与应用(Ⅰ)——基本算法 |
| |
引用本文: | 司捷,周贵安,李函,韩英铎.基于梯度监督学习的理论与应用(Ⅰ)——基本算法[J].清华大学学报(自然科学版),1997(7). |
| |
作者姓名: | 司捷 周贵安 李函 韩英铎 |
| |
作者单位: | 清华大学电机工程及应用电子技术系 |
| |
摘 要: | 讨论了一类基于梯度的监督训练算法及其用于神经网络的参数优化。文中详细讨论了LM算法,它是梯度下降法与高斯牛顿法的结合,既有高斯牛顿法的局部收敛性,又有梯度下降法的全局特性。μ很大时,LM算法近似于梯度下降法;μ为零时,则是高斯牛顿法。由于利用了近似的二阶导数信息,LM算法比梯度法快得多。就训练次数及准确度而言,LM算法明显优于共轭梯度法和变学习率的BP算法。由于主矩阵的正定性,解总是存在的,从这种意义上说,LM算法优于高斯牛顿法
|
关 键 词: | 神经网络 监督训练 梯度法 LM算法 |
本文献已被 CNKI 等数据库收录! |
|