ac米兰官方网站 用于函数逼近、优化和采样的混合阶关联网络

引用

Swingler K & Smith L (2013) 用于函数逼近、优化和采样的混合阶关联网络。在：ESANN 2013 年会议记录，第 21 届欧洲人工神经网络、计算智能和机器学习研讨会。第 21 届欧洲人工神经网络、计算智能和机器学习研讨会，ESANN 2013，比利时布鲁日，2013 年 4 月 24 日至 2013 年 4 月 26 日。 ESANN，第 23-28 页。 http://www.i6doc.com/en/livre/?GCOI=28001100131010

摘要
具有 n 个神经元和修改后的赫布学习规则的混合顺序关联神经网络可以学习任何函数 f : -1,1n → R 并将其输出再现为网络的能量函数。网络权重等于沃尔什系数，定点吸引子是函数中的局部最大值，网络权重的部分和通过函数计算超平面的平均值。如果网络是根据从分布中采样的数据进行训练的，则可以进行边际概率和条件概率计算，并从网络生成的分布中采样。这些品质使网络成为优化适应度函数建模的理想选择，并使变量之间的关系以 MLP 等架构所不具备的方式变得明确。

• Swingler_ESANN_2013.pdf