基于梯度下降法与广义逆的复值神经网络训练方法

摘要

本发明涉及一种基于梯度下降法与广义逆的复值神经网络训练方法，步骤一，选择单隐层复值神经网络模型；步骤二，利用梯度下降法和广义逆计算单隐层复值神经网络中的权值矩阵和权值向量，步骤三,根据权值矩阵和权值向量，获取复值神经网络网络参数，进行计算均方误差；将迭代次数加1，返回步骤二。本发明的隐层输入权值是通过梯度下降法迭代产生，输出权值始终通过广义逆来求解。本方法迭代次数少，相应的训练时间短，收敛速度快，并且学习效率高，同时所需的隐层节点个数少。因此，本发明比BSCBP方法与CELM方法能够较为准确的反映复值神经网络模型的性能。