超越反向传播训练的前馈模型：一种更高效的通用逼近器的实用训练工具
摘要：细胞同时循环神经网络（SRN）已被证明是比多层感知机（MLP）更强大的函数逼近器。这意味着对于某些问题，MLP的复杂性将是不可接受的大，而SRN可以在可接受的计算限制下实现所需的映射。复杂循环网络的训练速度对其成功应用至关重要。本文通过使用扩展卡尔曼滤波器（EKF）对网络进行训练，改进了先前的结果。我们实现了一个通用的细胞SRN，并将其应用于解决两个具有挑战性的问题：2D迷宫导航和连接性问题的子集。与迷宫导航的早期结果相比，收敛速度提高了几个数量级，在连接性问题上展示了更好的泛化能力。讨论了这一改进的意义。
作者：Roman Ilin, Robert Kozma, Paul J. Werbos
论文ID：0710.4182
分类：Neural and Evolutionary Computing
分类简称：cs.NE
提交时间：2007-10-24