Viļņu neironu tīkls
Viļņu neironu tīkls (WNN) ir funkciju aproksimācijas arhitektūra, kas izmanto viļņu funkcijas kā aktivizācijas funkcijas tradicionālo sigmoīdu vai ReLU funkciju vietā. Zhang un Benveniste (1992) ieviestie WNN apvieno viļņu daudzskalu sadalījuma īpašības ar neironu tīklu mācīšanās spējām. Rezultāts ir elastīgs neparametrisks modelis, kas var efektīvi uztvert lokalizētas iezīmes un daudzrezolūcijas modeļus ar mazāku parametru skaitu un labāku interpretējamību nekā standarta dziļie tīkli.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Metožu karte
Saistīto metožu apkaime — atlasiet mezglu, lai izpētītu.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/lv/time-series/wavelet-neural-network
Kura metode?
Novietojiet šo metodi blakus tās tuvākajām radniecīgajām metodēm un lasiet tās līdzās — bibliotēka noliek grāmatas uz galda; izvēle ir jūsu.
- Daudzslāņu perceptrons (MLP)Dziļā mācīšanās↔ salīdzināt
- Atkārtotais neironu tīklsDziļā mācīšanās↔ salīdzināt
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →