超复数值循环相关神经网络
机器学习
2021-01-06 v1 神经与进化计算
机器学习
摘要
由 Chiueh 与 Goodman 提出的循环相关神经网络（RCNNs）作为基于双极性相关的 Hopfield 神经网络的改进版本，可用于实现高容量联想记忆。在本文中，我们扩展双极性 RCNNs 以处理超复数值数据。确切地说，我们给出了一类广泛的超复数值 RCNNs 的数学背景。随后，我们提供了确保超复数值 RCNN 在使用同步或异步更新模式时总能在平衡点稳定的必要条件。给出了双极性、复数、双曲、四元数与八元数值的 RCNNs 示例以阐明理论结果。最后，计算实验证实了超复数值 RCNNs 作为用于存储与召回灰度图像的联想记忆的潜在应用。
引用
@article{arxiv.2002.00027,
title = {Hypercomplex-Valued Recurrent Correlation Neural Networks},
author = {Marcos Eduardo Valle and Rodolfo Anibal Lobo},
journal= {arXiv preprint arXiv:2002.00027},
year = {2021}
}