تفاوت بین شبکه های عصبی و شبکه های موجک چیست؟


پاسخ 1:

یک شبکه موجک در اصل یک شبکه عصبی است.

  • یک عملکرد فعال سازی استاندارد مانند عملکرد sigmoid توسط یک تابع فعال سازی که بر اساس یک موجک جایگزین شده است جایگزین می شود. بنابراین خروجی شبکه موجک عصبی ترکیبی با وزن وزنی از توابع پایه موجک است. یک شبکه موجک عصبی مانند سایر مدل های شبکه عصبی خاصیت تقریبی عملکرد جهانی را حفظ می کند. اگرچه گزارش شده است که در بسیاری از برنامه های کاربردی مانند پیش بینی سری های زمانی ، خاموش شدن سیگنال ، طبقه بندی سیگنال و فشرده سازی مورد استفاده قرار گرفته است ، اما مقالات زیادی در مقایسه با سایر مدل های شبکه عصبی وجود ندارد. در برخی از مدلهای اخیر ، تبدیل موجک به عنوان فیلتر سر و صدای جلویی برای ورودی استفاده می شود که برای پیش بینی سری زمانی به RNN ارسال می شوند. پیش بینی بازارهای سهام با استفاده از تحولات موجک و تکرار شبکه های عصبی

موجک چیست؟

  • موجک در اصل یک "موج کوچک" است که در یک دوره محدود رشد می کند و می افتد ، بر خلاف "موج بزرگ" مانند موج سینوسی که در طی یک دوره نامتناهی رشد می کند و می افتد. شکل زیر عملکرد موجک را نشان می دهد.

تصویرسازی از شبکه های عصبی موجک و کاربردهای آنها در بررسی سیستم های پویا ، 2005

  • استفاده از آنها براساس توانایی آنها در توصیف عملکردی است که با گذشت زمان تغییر می کند. تجزیه و تحلیل دیگر به ما در عملکردهایی که با گذشت زمان تغییر می کنند کمک نمی کند - آنها فقط می توانند ترکیب عملکردهای ثابت را به صورت امواج سینوسی به ما بگویند. در بهترین حالت ، آنها می توانند میانگین فرکانسهای متغیر را به ما بدهند ، که کمکی نمی کند. شکل زیر این نقص را نشان می دهد - تبدیل فوریه نمی تواند بین یک سیگنال ثابت و غیر ثابت تمایز قایل شود.

تصویرسازی از شبکه های Wavelet ، 2009

  • همانطور که در شکل زیر نشان داده شده است ، تغییر موجک سیگنالهای ثابت و ناپایدار فوق قابل تشخیص است
  • از این رو خانواده ای از پایه های موجک را می توان از طریق موجک نشان داده شده در 1.2.1 فوق به سادگی و با حرکت و گسترش این موجک (که اغلب به آن موجک مادر گفته می شود) تولید کرد. درست مثل تبدیل فوریه ، نسخه های گسسته و مداوم از تبدیل موجک وجود دارد. بنابراین یک نورون موجک واحد مانند شکل زیر است.
  • خروجی این نورون است
  • پارامتر 't' پارامتر ترجمه و lambda پارامتر مقیاس بندی / گشایی است. این پارامترها علاوه بر وزن در یک شبکه موجک ، همانطور که در شکل زیر مشاهده می شود ، از شبکه آموخته می شوند. توابع اساسی Wavelet مقادیر مختلفی را برای این پارامترها ایجاد می کند.

منابع اضافی

شبکه های عصبی موجک: راهنمای عملی ، 2013

تور موجک برای پردازش سیگنال