Aaltohermoverkko
Aaltohermoverkko (WNN) on funktioapproksimaatioarkkitehtuuri, joka käyttää aaltofunktioita aktivaatiofunktioina perinteisten sigmoidien tai ReLU-funktioiden sijaan. Zhangin ja Benvenisten (1992) esittelemät WNN:t yhdistävät aaltojen moniskaalisen hajotusominaisuuden hermoverkkojen oppimiskykyyn. Tuloksena on joustava ei-parametrinen malli, joka pystyy tehokkaasti hahmottamaan paikallisia piirteitä ja moniresoluutiokuvioita, vähemmillä parametreilla ja paremmalla tulkittavuudella kuin tavalliset syvät verkot.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/fi/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.
- Monikerki-kerrosperceptron (MLP)Syväoppiminen↔ compare
- Rekurrentti neuroverkkoSyväoppiminen↔ compare
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →