Wavelet Neural Network
Ein Wavelet Neural Network (WNN) ist eine Funktionsapproximationsarchitektur, die Wavelet-Funktionen als Aktivierungsfunktionen anstelle traditioneller Sigmoid- oder ReLU-Funktionen verwendet. WNNs, die von Zhang und Benveniste (1992) eingeführt wurden, kombinieren die multiskalare Dekompositionseigenschaft von Wavelets mit den Lernfähigkeiten neuronaler Netze. Das Ergebnis ist ein flexibles, nichtparametrisches Modell, das lokalisierte Merkmale und Mehr-Auflösungs-Muster effizient erfassen kann, mit weniger Parametern und besserer Interpretierbarkeit als Standard-Deep-Netzwerke.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/de/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.
- Mehrschichtiges Perzeptron (MLP)Deep Learning↔ compare
- Rekurrentes neuronales NetzDeep Learning↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →