Neural network 用函数链接神经网络求解奇偶3分类问题？

我试图使用函数链接神经网络（Pao，1988）解决3位奇偶校验问题。我正在执行反向传播以更新权重，并使用Pao提出的outerproduct模型扩展输入，即x1、x1x2、x1x3、x2x3、x1x2x3是如下所示的输入：

学习率0.01，动量0.1，传递函数对数S形

但经过1000次迭代后，权重仍然无法正确分类。FLNN在

1,1,1

和

0,0,0

输入时失败。如果有任何改进结果的想法，我将不胜感激

---

这来自论文的示例2：

问题是使用感知器学习规则解决的

W_new=W_old+学习率*错误*输入

---

，而不是使用本文中提到的广义增量规则。学习率为0.9，它在100次迭代内收敛，而具有隐藏层的神经网络则需要大约1000次迭代。

到目前为止，已经尝试使用切比雪夫、幂级数、三角函数和勒让德方法进行特征扩展。此外，不同的学习速度、动量和迭代也已应用，但尚未能够解决它。