کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
1703547 1012383 2014 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multivariate Jackson-type inequality for a new type neural network approximation
ترجمه فارسی عنوان
نابرابری نوع چندگانه جکسون برای تقریب شبکه های جدید شبکه عصبی
ترجمه چکیده
در این مقاله، شبکه های عصبی نوع جدیدی را با استفاده از سوپرپرسیسیون یک تابع سیگموئیدال معرفی می کنیم و قابلیت تقریبی آن را مطالعه می کنیم. ما تقریبی سازنده چند متغیری از توابع چند متغیره پیوسته واقعی را بر روی یک مکعب از طریق شبکه های عصبی نوع آن بررسی می کنیم. این تقریب از طریق ایجاد چند متغیره نابرابری نوعی جکسون با مدول چند متغیره صافی تابع هدف مشتق شده است. شبکه های ما نیاز به آموزش در معنای سنتی ندارند.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مکانیک محاسباتی
چکیده انگلیسی
In this paper, we introduce a new type neural networks by superpositions of a sigmoidal function and study its approximation capability. We investigate the multivariate quantitative constructive approximation of real continuous multivariate functions on a cube by such type neural networks. This approximation is derived by establishing multivariate Jackson-type inequalities involving the multivariate modulus of smoothness of the target function. Our networks require no training in the traditional sense.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Mathematical Modelling - Volume 38, Issue 24, 15 December 2014, Pages 6031-6037
نویسندگان
, , ,