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。
扫码关注,查看更多科技成果