四元数神经元模型提升计算设计与工程的预测精度

《科学直接获得的计算设计与工程学报》第6期（2019年）33篇文章探讨了"基于四元数域的神经元模型"。该研究由Sushil Kumar和Bishin Kumar Tripathi两位作者在计算机科学工程系，哈考特巴特勒技术大学进行，位于印度北方邦坎普尔。论文的核心关注点在于创新神经元模型的设计，这些模型借鉴了四元数这种复数扩展，旨在克服传统神经网络在处理突触非线性空间分组过程中的局限。 传统的神经元模型如加权求和（线性）、乘积（线性）或径向基函数（RBF）在构建多层前馈神经网络时有各自的优缺点。多层网络虽能实现全局逼近，但可能面临局部极小的问题，而RBF网络则通过指数衰减实现局部逼近，各有其适用场景。为了提升计算能力和解决这些问题，作者提出了一种结合四元数基本运算（求和和径向基操作）的新神经元模型。 这些基于四元数的补偿聚集函数使得神经元的净内部电位能够更有效地处理复杂的输入信号，从而促进网络的更快收敛和更高的训练与预测精度。论文还通过比较与三维变换和时间序列预测等多种基准问题，验证了新模型在学习和泛化能力上的优越性。 值得注意的是，该研究发表于Elsevier的《计算设计与工程》杂志，且遵循CCBY-NC-ND许可协议，允许在指定条件下进行访问。这表明研究成果具有开放性和可分享性，对于推进神经计算领域特别是复数神经网络的研究具有重要意义。 这篇文章不仅深化了我们对神经网络设计的理解，也为解决高维信息处理中的复杂问题提供了新的思路和工具。通过引入四元数这一数学工具，作者们成功地扩展了神经元模型的表达能力和性能，展示了神经计算领域的前沿进展。