Vågnätverk
Ett vågnätverk (WNN) är en funktionsapproximationsarkitektur som använder vågfunktionser som aktiveringsfunktioner istället för traditionella sigmoid- eller ReLU-funktioner. WNN, som introducerades av Zhang och Benveniste (1992), kombinerar vågfunktionernas multiskaliga dekompositionsegenskaper med neurala nätverks inlärningsförmåga. Resultatet är en flexibel, icke-parametrisk modell som effektivt kan fånga lokaliserade särdrag och multiresolutionsmönster, med färre parametrar och bättre tolkningsbarhet än standard djupa nätverk.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Wavelet Neural Network. ScholarGate. https://scholargate.app/sv/time-series/wavelet-neural-network
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Multilayer Perceptron (MLP)Djupinlärning↔ jämför
- Återkommande neuralt nätverkDjupinlärning↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →