一种改进的量子神经网络训练算法
针对训练多层激励函数量子神经网络(MAF-QNN)时权值与量子间隔的目标函数存在冲突,导致收敛速度和网络性能下降的问题,该文提出一种改进的量子神经网络的训练算法。通过设计输出均方误差和这一目标函数对权值和量子间隔进行统一训练,同时引入Levenberg-Marquardt(LM)算法降低目标函数陷入局部极小值的概率,实现了对量子神经网络的高效训练。实验结果表明,该文提出的训练算法有效减少了迭代次数,显著提高了网络收敛精度,可应用于数据分类、函数逼近等场合,扩展了多层激励函数量子神经网络的应用领域。
量子神经网络、多层激励函数、Levenberg-Marquardt(LM)算法、最速下降
TP183(自动化基础理论)
国家自然科学基金61072042资助课题
2013-08-03(万方平台首次上网日期,不代表论文的发表时间)
共6页
1630-1635