Wavelet Neuraal Netwerk
Een wavelet neuraal netwerk (WNN) is een architectuur voor functieapproximatie die waveletfuncties gebruikt als activeringsfuncties in plaats van traditionele sigmoïde of ReLU-functies. Geïntroduceerd door Zhang en Benveniste (1992), combineren WNN's de multischalige decompositie-eigenschappen van wavelets met de leermogelijkheden van neurale netwerken. Het resultaat is een flexibel niet-parametrisch model dat gelokaliseerde kenmerken en multi-resolutiepatronen efficiënt kan vastleggen, met minder parameters en een betere interpreteerbaarheid dan standaard diepe netwerken.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Methodenkaart
De omgeving van verwante methoden — selecteer een knooppunt om te verkennen.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/nl/time-series/wavelet-neural-network
Welke methode?
Plaats deze methode naast haar naaste verwanten en lees ze naast elkaar — de bibliotheek legt de boeken op tafel; de keuze is aan u.
- Multilayer Perceptron (MLP)Deep learning↔ vergelijken
- Recurrent Neuraal NetwerkDeep learning↔ vergelijken
Een fout op deze pagina gezien? Meld het of stel een correctie voor →