复值递归神经网络分离复梯度算法的收敛性及等价性

复值神经网络的应用前景广阔，已遍及光电子学、影像、遥感、量子神经设备和系统、神经系统生理时空分析和人工神经信息处理等领域。本项目试图将实值递归网络收敛性理论推广到更复杂、更实用的复值递归网络，深入研究复值递归网络梯度法这种简单有效学习方法的确定型收敛性结果，对其开展的研究不仅有助于我们理解这一方法的本质特性，而且对无线通信，语音识别和图像处理等实际应用提供理论依据，具有重要的理论意义和应用指导价值。具体任务包括：研究具有分离复激活函数的复值递归网络复梯度算法及规范复梯度算法的收敛性；揭示复梯度算法与复随时间演化的反向传播算法的等价性；考察复值递归网络误差函数部分去掉反馈项的影响；研究梯度自适应学习率、自适应振幅、惯性项和熵误差等方法对收敛性的影响；分析误差函数加入惩罚项对控制权值的大小, 提高网络泛化能力的影响。