.png){kind=icon}
返回
Efficient conjugate gradient methods for unconstrained optimization and neural network applications
.png){kind=icon}
PRE
AI
DOI：10.1007/s12597-026-01176-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了一种新的共轭梯度法，旨在提升神经网络训练效率并解决无约束优化问题。这些新算法基于现有的共轭梯度框架，通过添加新的共轭参数和利用泰勒级数展开得到的近似方法构建而成。这些算法在无约束优化问题和神经网络训练中与流行的Dai-Yuan算法进行了对比。数值模拟表明，新算法在效率和精度方面均优于传统算法，能够在更少的迭代次数和更小的均方误差下获得更优结果。新算法在强Wolfe条件下进行了严格的全球收敛性研究，并展现出在效率和鲁棒性方面的显著提升。本研究为基于梯度的神经网络训练优化做出了重要贡献，凸显了此类新兴方法在解决人工智能及机器学习应用中高度复杂优化问题上的优势。
Keyword:
Unconstrained optimization
Conjugate gradient methods
Artificial intelligence
Global convergence
Neural networks
期刊
O
IF:
1.8
论文数:
182
被引数:
1.0K
机构
查看更多机构
引用论文
暂无论文信息