技術特征：

1.一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述方法步驟包括：

(1)選擇單隱層復值神經(jīng)網(wǎng)絡模型對樣本數(shù)據(jù)集進行建模；

(2)根據(jù)步驟(1)中選擇的單隱層復值神經(jīng)網(wǎng)絡模型，利用廣義逆計算所述單隱層復值神經(jīng)網(wǎng)絡中的權值矩陣，將迭代次數(shù)初始值設置為1，利用梯度下降法計算所述單隱層復值神經(jīng)網(wǎng)絡中的權值向量；

(3)根據(jù)步驟(2)中計算出的所述權值矩陣和所述權值向量，獲取復值神經(jīng)網(wǎng)絡網(wǎng)絡參數(shù)，計算當前樣本數(shù)據(jù)的均方誤差；判斷當前迭代次數(shù)是否等于最大迭代次數(shù)，若是，結束訓練；若否，將當前迭代次數(shù)加1，返回步驟(2)。

2.如權利要求1所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(1)中的所述單隱層復值神經(jīng)網(wǎng)絡模型為：

所述單隱層復值神經(jīng)網(wǎng)絡模型中的輸入層、隱層和輸出層神經(jīng)元個數(shù)分別為L、M和1；給定Q個輸入樣本；其樣本矩陣為Z＝(z_ij)_L×Q、輸入樣本相應的理想輸出矩陣為D＝(d₁,d₂…d_Q)^T均為復數(shù)；第q個樣本的輸入為 其中，i＝1,2…L；第q個樣本的理想輸出為d^q∈C。

3.如權利要求2所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(1)中的所述單隱層復值神經(jīng)網(wǎng)絡模型中的所述隱層的激活函數(shù)為g_c:C→C；連接輸入層和隱層的權值矩陣為W＝(w_ij)_M×L＝W^R+iW^I，其中，W^R為W的實部，W^I為W的虛部；輸入層與第i個隱節(jié)點的連接權值記為w_i＝(w_i1,w_i2…w_iL)∈C^L，其中，i＝1,2…M；連接隱層和輸出層的權值向量為V＝(v₁,v₂…v_M)^T＝V^R+iV^I，其中，V^R為V的實部，V^I為V的虛部；第k個隱節(jié)點與輸出層的連接權值記為v_k∈C，其中，k＝1,2…M。

4.如權利要求3所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(2)中的具體步驟為：

(2-1)初始化輸入層到隱層的權值矩陣，獲取初始權值矩陣W⁰，W⁰在給定區(qū)間內(nèi)隨機賦值；

(2-2)利用梯度下降法和廣義逆計算單隱層復值神經(jīng)網(wǎng)絡中的權值矩陣和權值向量。

5.如權利要求4所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(2-2)中的所述通過廣義逆計算隱層到輸出層的權值矩陣V的具體步驟為：

(2-2a-1)根據(jù)步驟(2-1)中的所述初始權值矩陣W⁰與步驟(1)中的樣本矩陣Z計算隱層的輸入矩陣U＝(u_ij)_M×Q，

(2-2a-2)對矩陣步驟(2-2a-1)中的所述輸入矩陣U的實部和虛部分別激活，得到隱層的輸出矩陣H＝(h_ij)_M×Q，H＝g_c(U^R)+ig_c(U^I)＝H^R+iH^I，其中，H^R為H的實部，H^I為H的虛部；

(2-2a-3)：通過廣義逆計算隱層到輸出層的權值矩陣V，

其中，H為步驟(2-2a-2)中隱層的輸出矩陣，D為步驟(1)中的所述理想輸出矩陣。

6.如權利要求4所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(2-2)中的對初始權值矩陣W⁰進行優(yōu)化具體步驟為：

(2-2b-1)：設置初始迭代次數(shù)k＝1，最大迭代次數(shù)為K；

(2-2b-2)：計算均方誤差E關于隱層權值W的梯度；

(2-2b-3)：權值更新公式為其中，n＝1,2,…,η為學習率。

7.如權利要求6所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(2-2b-2)中均方誤差E關于隱層權值W的梯度分成 兩部分計算，先求E對W^R的梯度，再求E對W^I的梯度，其中，W^R為W實部，W^I為W的虛部；

8.如權利要求7所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：

式中，z^q為第q個樣本的輸入向量，z^q,R為第q個樣本的輸入向量的實部，z^q,I為第q個樣本的輸入向量的虛部，g_c為隱層的激活函數(shù)，為第q個樣本在第m個隱節(jié)點處的輸入，為第q個樣本在第m個隱節(jié)點的輸入的實部，為第q個樣本在第m個隱節(jié)點的輸入的虛部。

9.如權利要求1所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(3)中的具體步驟為：

(3-1)輸出層的激活函數(shù)選擇線性函數(shù)，則輸出層的輸入等于輸出層的輸出，網(wǎng)絡的實際輸出為O＝(o₁,o₂…o_Q)^T，第q個樣本的實際輸出為o_q∈C，q＝1,2…Q,將矩陣O分為O^R(實部)和O^I(虛部)兩部分,O＝H^TV＝O^R+iO^I第q個樣本的實際輸出:

其中，v^R為隱層到輸出層權值向量的實部，v^I為隱層到輸出層權值向量的虛部，h^q,R為第q個樣本隱層輸出向量的實部，h^q,I為第q個樣本隱層輸出向量的虛部；

(3-2)計算當前樣本數(shù)據(jù)的均方誤差，判斷當前迭代次數(shù)k是否等于最大迭代次數(shù)K，若是，結束訓練；若否，將當前迭代次數(shù)加1，返回步驟(2-2b-2)。

10.如權利要求9所述的一種基于梯度下降法與廣義逆的復值神經(jīng)網(wǎng)絡訓練方法，其特征是：所述步驟(3)中的計算當前樣本數(shù)據(jù)的均方誤差采用：

其中，o^q為第q個樣本的實際輸出，d^q為第q個樣本的理想輸出。