Wavelet Neural Network
Et wavelet neuralt netværk (WNN) er en funktionsapproksimationsarkitektur, der anvender wavelet-funktioner som aktiveringsfunktioner i stedet for traditionelle sigmoid- eller ReLU-funktioner. WNN'er blev introduceret af Zhang og Benveniste (1992) og kombinerer wavelet'ernes multiskala-dekomponeringsegenskaber med neurale netværks indlæringsevner. Resultatet er en fleksibel nonparametrisk model, der effektivt kan fange lokaliserede træk og multiresolutionsmønstre med færre parametre og bedre fortolkbarhed end standard dybe netværk.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Zhang, Q., & Benveniste, A. (1992). Wavelet networks. IEEE Transactions on Neural Networks, 3(6), 889–898. DOI: 10.1109/72.165591 ↗
- Pati, Y. C., & Krishnaprasad, P. S. (1992). Nonlinear dynamics and signal processing in the cochlea. ICASSP, pp. V373–V376. link ↗
- Misiti, M., Misiti, Y., Oppenheim, G., & Poggi, J. M. (1997). Wavelet Toolbox. The Mathworks. link ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/da/time-series/wavelet-neural-network
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Multilayer Perceptron (MLP)Dyb læring↔ compare
- Recurrent Neural NetworkDyb læring↔ compare
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →