Rede Neural Wavelet
Uma rede neural wavelet (WNN) é uma arquitetura de aproximação de funções que utiliza funções wavelet como funções de ativação, em substituição às tradicionais funções sigmoide ou ReLU. Introduzidas por Zhang e Benveniste (1992), as WNNs combinam as propriedades de decomposição multiescala das wavelets com as capacidades de aprendizado das redes neurais. O resultado é um modelo não paramétrico flexível que pode capturar características localizadas e padrões multirresolução de forma eficiente, com menos parâmetros e melhor interpretabilidade do que redes profundas padrão.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Mapa de métodos
A vizinhança de métodos relacionados — selecione um nó para explorar.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/pt/time-series/wavelet-neural-network
Qual método?
Coloque este método ao lado dos seus pares mais próximos e leia-os lado a lado — a biblioteca dispõe os livros sobre a mesa; a escolha é sua.
- Perceptron Multicamada (MLP)Aprendizado profundo↔ comparar
- Rede Neural RecorrenteAprendizado profundo↔ comparar
Encontrou um problema nesta página? Relate ou sugira uma correção →