4、基于哈密顿神经网络的学习网络：原理与应用

基于哈密顿神经网络的学习网络：原理与应用

1. 引言

学习问题是理解大脑和机器智能的关键。许多研究者认为，监督学习将成为从海量数据中提取信息的关键技术。监督学习技术，即从示例中学习，可视为映射 $y = F(x)$ 的实现，依赖于给定数据对 ${x_k, y_k}$ 的拟合。关键在于，这种拟合应具有预测性，并揭示潜在的物理规律，以便用于预测或预期。

目前，已有大量实现监督学习技术的模型被提出，如人工神经网络（ANN）、径向基函数（RBF）、支持向量机（SVM）和基于模糊逻辑的模型（ANFIS）等。其中，支持向量机是数据分类的独特工具，是统计学习理论的产物。最近，还提出了一种名为正则化最小二乘分类（RLSC）的新学习算法，其基于多元函数逼近和正则化理论，用于解决不适定的逼近问题。值得注意的是，SVM 和 RBF 模型可视为逼近和正则化理论框架下的特殊情况。

另一方面，基于哈密顿神经网络（HNN）的正交滤波器可视为正则化技术的自然实现。利用基于 HNN 的频谱分析、识别和记忆，可实现具有斜对称和对称核的映射。本文旨在介绍如何使用基于 HNN 的正交滤波器，特别是 8 维（八元数）模块，设计大规模学习网络。HNN 的独特之处在于，它既可以作为算法存在，也可以作为物理可实现的设备。

主要内容概述

• 哈密顿神经网络基础
• 赫尔维茨 - 拉东矩阵族
• RLSC 基础
• 基于正交滤波器的逼近
• 通过非线性映射建模分类器、模式识别和联想记忆
• 基于吸引子的超大规模联想记忆

2. 哈密顿神经网络 <