Function Approximation Using Wavelet And Radial Basis Function Networks
Rangkaian Wavelet telah diperkenalkan sebagai proses suap depan bagi rangkaian neural yang disokong oleh teori wavelet. Rangkaian neural ini dapat digunakan secara langsung dalam penghampiran fungsi. Dalam disertasi ini, Rangkaian Wavelet dibuktikan sebagai salah satu sub-bahagian dalam kumpulan...
Saved in:
Main Author: | |
---|---|
Format: | Thesis |
Language: | English |
Published: |
2004
|
Subjects: | |
Online Access: | http://eprints.usm.my/31140/1/RABIHAH_BINTI_RAMLI.pdf |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Summary: | Rangkaian Wavelet telah diperkenalkan sebagai proses suap depan bagi rangkaian
neural yang disokong oleh teori wavelet. Rangkaian neural ini dapat digunakan secara
langsung dalam penghampiran fungsi. Dalam disertasi ini, Rangkaian Wavelet
dibuktikan sebagai salah satu sub-bahagian dalam kumpulan keturunan di mana
rangkaian neural ini mempunyai sifat yang sama dengan kumpulan yang di namakan
Fungsi Asas Radial Berpemberat. Hal ini juga berlaku bagi rangkaian neural yang
mempunyai paradigma yang berlainan. Disertasi ini juga merangkumi pengkajian dalam
Fungsi Asas Radial berperingkat 2.Fungsi ini juga dikenali sebagai Fungsi Asas Radial
Piawai kerana mempunyai persamaan dimana fungsi ini akan bertindak sebagai Fungsi
Asas Radial Piawai apabila fungsi exponent mempunyai sifat yang sarna dengan fungsi
pengaktifan Gaussian apabila peringkat bagi eksponen n =2.
The Wavelet Neural Network has been introduced as a special feedforward neural
network supported by the wavelet theory. Such network can be directly used in function
approximation problems. In this dissertation, wavelet networks are proven to be as well
as many other neural paradigms, a specific case of generic paradigm named Weighted
Radial Basis Functions Network. In this dissertation we will also investigate the WRBF-
2.
WRBF-2 is standard RBF since the exponential function behaves as a Gaussian, due to
the exponent n = 2. |
---|