Resumen

El método de gradiente en línea ha sido ampliamente utilizado en el entrenamiento de redes neuronales. En este documento consideramos un algoritmo de gradiente en línea de números complejos para redes neuronales de valores complejos. Elegimos una tasa de aprendizaje adaptativa durante el procedimiento de entrenamiento. Bajo ciertas condiciones, al mostrar primero la monotonía de la función de error, se demuestra que el gradiente de la función de error tiende a cero y la secuencia de pesos tiende a un punto fijo. Se presenta un ejemplo numérico para respaldar los hallazgos teóricos.

• Materias:Controlabilidad Reacción de radiación Sistemas retardados Ecuaciones parabólicas Espacios dimensionales
• Subjects:Controllability Radiation reaction Delayed systems Parabolic equations Dimensional spaces
• Palabras claves:Método de gradiente en línea; Redes neuronales; Algoritmo de gradiente de números complejos; Valores complejos; Tasa de aprendizaje adaptativa; Función de error
• Keywords:Online gradient method; Neural networks; Split-complex gradient algorithm; Complex-valued; Adaptive learning rate; Error function