Wavelet Neural Network
A wavelet neural network (WNN) is a function approximation architecture that uses wavelet functions as activation functions in place of traditional sigmoid or ReLU functions. Introduced by Zhang and Benveniste (1992), WNNs combine the multiscale decomposition properties of wavelets with the learning capabilities of neural networks. The result is a flexible nonparametric model that can capture localized features and multi-resolution patterns efficiently, with fewer parameters and better interpretability than standard deep networks.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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. · URL
- Misiti, M., Misiti, Y., Oppenheim, G., & Poggi, J. M. (1997). Wavelet Toolbox. The Mathworks. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.