通过使用四元数矩阵表示，我们提出了一个四元数卷积神经网络（QCNN）模型来在彩色图像分类和去噪任务中得到更具代表性的特征，并测试结果表明该模型优于具有相同结构的实值卷积神经网络。

Mar, 2019

本文介绍了关于四元数卷积神经网络 (QCNNs) 的发展、目前的趋势和在设计 QCNN 模型中使用的主要模块，并提出了未来的研究方向。

Jul, 2023

本文提供了复数深度神经网络的关键原子组件，并应用于计算机视觉和音频相关任务，实现了与实数模型相当的性能表现。

May, 2017

这项研究通过对不同体系结构的实际和四元数值实现进行剪枝实验，发现在高稀疏度水平下，四元数模型在某些体系结构上比其实数模型具有更高的准确性。在极度资源受限的环境中部署时，稀疏的四元数网络可能是一个更好的选择。

Aug, 2023

该研究论文介绍了一种新的方法，使用四元数代替传统的时间帧维度元素作为输入特征来训练基于 QCNN 和 CTC 模型进行序列到序列映射的语音识别系统，实验结果表明，相较于基于传统卷积神经网络的竞争模型，该方法具有更高的准确率且参数更少。

Jun, 2018

本文研究基于多元代数的四元数卷积神经网络在彩色图像重建任务上的成功原因，发现其可以更好地学习内部和外部关系以及更少的参数数量与灰度训练的情况下，在重建未看到的彩色图像上表现较好。

Oct, 2018

提出了一种参数化超复数乘法的方法，使得模型可以从数据中学习乘法规则，进而在任意维度的超复数空间上进行运算，从而获得更大的架构灵活性和性能优势。

Feb, 2021

本研究提出四元数图神经网络（QGNN）并将其应用于图分类和节点分类等领域，同时在知识图谱完成任务中取得了最优结果。

Aug, 2020

本文介绍了使用复数输入和权重构造卷积神经网络（CNN）的变形模型，以及提出的正则化方法解决训练 CNN 中的一些问题和困难，通过与真实 CNN 进行比较并应用于细胞检测问题进行实证验证，表明复杂模型比真实模型更不易过拟合且可检测出数据的有意义的相位结构。

Feb, 2016

神经网络普遍性研究领域愈发广泛，鉴于来自不同源和任务的数据集日益丰富。这个问题在处理医学数据时尤为重要，因为缺乏方法标准会导致不同成像中心或使用不同设备和辅助因素提供的数据变化很大。为了克服这些限制，我们引入了一种新的、泛化的、数据和任务无关的框架，能够从医学图像中提取显著特征。所提出的四元波小波网络（QUAVE）可以轻松集成到任何现有的医学图像分析或综合任务中，它可以与实值、四元值或超复值模型结合使用，将它们的采用推广到单通道数据。QUAVE 首先通过四元波小波变换提取不同的子频带，得到低频 / 近似频带和高频 / 精细特征。然后，它对最具代表性的一组子频带进行权重，并将其作为任何其他图像处理的神经模型的输入，代替标准数据样本。我们进行了广泛的实验评估，包括不同的数据集、不同的图像分析和综合任务，包括重建、分割和模态转换。我们还评估了 QUAVE 与实值和四元值模型的组合。结果证明了所提出的框架的有效性和通用性，它能提高网络性能，并在多种场景中灵活使用。

Oct, 2023