一种基于动态哈密顿积的神经网络实现方法

其它领域

一种基于动态哈密顿积的神经网络实现方法，其特征在于，包括以下步骤：首先，设计输入特征驱动的动态核生成机制，根据样本特性自适应调整卷积核参数，实现多尺度、多方向特征的细粒度提取，充分发挥四元数表示的空间感知优势；其次，构建符合四元数几何特性的整体激活函数，通过超复数空间中的非线性变换保持通道间旋转缩放关系，避免传统分量式激活导致的关联性断裂。本专利提出的动态卷积根据输入样本的特征动态生成卷积核，使得网络能够针对每个输入样本动态调整其卷积核。这种灵活的调整机制不仅增强了模型的表达能力，还使其能够适应不同输入的特征，提取更具细粒度的特征。