11 在研究过程中，我偶然发现了“复杂值神经网络”，它们是可以处理复杂值输入（可能也是权重）的神经网络。与实值神经网络相比，这种神经网络有哪些优势（或仅仅是应用）？ neural-networks — rcpinto source
8 根据本文，复值人工神经网络（C-ANN）可以解决诸如异或和对称性检测之类的问题，并且层数比实际人工神经网络要少（对于这两个2层C-ANN来说就足够了，而3层就足够了R-ANN是必需的）。 我相信，关于此结果在实践中的实用性（例如，它是否实际上使查找正确的拓扑更加容易）仍然是一个悬而未决的问题，因此，目前C-ANN的主要实用优势是它们是更接近于C-ANN的模型时问题域。 这样，应用领域就是自然产生复数值的地方，例如在光学，信号处理/ FFT或电气工程中。 — 尼采 source 在无法“自然”产生复杂价值的领域中，哪些应用无法使用？ — dynrepsys @dynrepsys据我所知，尽管在实际值域中具有复杂的输入，但似乎没有什么选择。 — NietzscheanAI 是否可以将其用作重量而不用作输入？ — dynrepsys @dynrepsys我相信。 — NietzscheanAI 只是一点说明-某些平台和语言可能难以实现复杂值的权重和激活，因为许多平台和语言都缺乏对复杂值数据类型的支持。在某些代码中（例如C＃，VB.net，T-SQL和其他我熟悉的代码），可以使用各种变通方法，例如使用结构，类和用户定义的类型（UDT），但通常与构建以下代码不同：在数据类型支持中。我个人发现，只需使用两个（或更多）实值数据类型（每条轴一个）即可对复杂的权重和激活进行建模。YMMV，但是，取决于应用程序... — SQLServerSteve