阿尼斯·泽拉乌伊;本·马布鲁克，阿诺尔;奥列格·V·克拉夫琴科。 小波神经网络函数逼近及其应用。 （英语） Zbl 1500.42020年 国际小波多分辨率。信息处理。 20，第4号，文章ID 2150060，31 p.（2022）. 本文研究了小波神经网络逼近，它是神经网络和小波的组合，用于逼近函数。他们证明了（L^p（\mu））的任何元素都可以通过小波函数的组合来近似。本文的结构如下。在第2节中，对神经网络和小波神经网络进行了综述。第3节回顾了小波函数近似。第4节专门介绍主要结果。在第5节中，对主要结果进行了证明。第6节涉及一些实验结果的发展。审核人：Mehdi Rashidi Kouchi（科尔曼） MSC公司： 42立方厘米 涉及小波和其他特殊系统的非三角调和分析 68T07型 人工神经网络与深度学习 第41页第30页 其他特殊函数类的近似 关键词：小波;神经网络;激活函数;近似能力;\（L^p\）-空格;Sobolev空间 软件：VarNet公司 PDF格式BibTeX公司 XML格式引用 \textit{A.Zeglaoui}等人，《国际小波多分辨率》。信息处理。20，第4号，文章ID 2150060，31 p.（2022；Zbl 1500.42020） 全文： DOI程序 参考文献： [1] Khalek，M.Abdul和Ali，M.A.，Rajshahi地区地下水位的小波-SARIMA和小波-NNAR模型比较研究，IOSR J.Environ。科学。毒物。食品技术。（IOSR-JESTFT）10（7）版本I（2016）1-15，https://doi.org/10.9790/2402-10070115。 [2] Abiyev，R.H.，动态对象控制的模糊小波神经网络，国际计算杂志。Intell.1（2）（2005）139-143，https://doi.org/10.109/TIE.2008.924018。 [3] Alexandridis，A.K.和Zapranis，A.D.，《小波神经网络：实用指南》，《神经网络》42（2013）1-27·Zbl 1293.68213号 [4] Attali，J.-G.和Pagès，G.，《多层感知器函数逼近：一种新方法》，《神经网络》10（6）（1997）1069-1081，https://doi.org/10.1016/S0893-6080(97)00010-5. [5] Aussem，A.和Murtagh，F.，结合小波变换时间序列的神经网络预测，Connect。科学9（1997）113-121，https://doi.org/10.1080/095400997116766。 [6] Avazzadeh，Z.，Heydari，M.H.和Cattani，C.，具有弱奇异核的分数阶偏积分微分粘弹性方程的Legendre小波，《欧洲物理学》。J.Plus134（2019）368，https://doi.org/10.1140/epjp/i2019-12743-6。 [7] Awad，M.，《使用遗传算法优化函数逼近的小波神经网络参数》，《国际计算杂志》。科学。发行11（1-2）（2014）256-267。 [8] Bal，A.，使用快速神经网络架构进行缺失数据预测，Istantb。大学J.Electr。电子。工程4（1）（2004）1051-1056。 [9] Banakar，A.和Azeem，M.F.，用于预测动态系统的前馈神经网络中的局部递归sigmoidal-wavelet神经元：理论，应用。软计算12（2012）1187-1200，https://doi.org/10.1016/j.asoc.2011.10.019。 [10] Barron，A.R.，σ函数叠加的通用近似界，信息论，IEEE Trans。Inf.Theory39（3）（1993）930-945，https://doi.org/10.109/18.256500。 ·Zbl 0818.68126号 [11] Barron，A.R.，Cohen，A.，Dahmen，W.和DeVore，R.A.，《贪婪算法的近似和学习》，《Ann.Stat.36（1）（2008）64-94，https://doi.org/10.1214/009053607000000631。 ·Zbl 1138.62019号 [12] Baymani，M.、Kerayechian，A.和Effati，S.，解决斯托克斯问题的人工神经网络方法，应用。数学1（4）（2010）288-292，https://doi.org/10.4236/am.2010.14037。 [13] Bazoobandi，H.，具有随机小波函数参数的小波神经网络，《国际工程学报》。A： 基础30（10）（2017）1510-1516。 [14] Bellil，W.、Amar，C.Ben和Alimi，A.M.，《贝塔小波神经网络、RBF神经网络和一维多项式逼近的比较，二维函数逼近》，《国际工程技术杂志》2（1）（2008）189-194，https://doi.org/10.5281/zenodo.1056514。 [15] Blum，E.K.和Li，L.K.，近似理论和前馈网络，神经网络4（4）（1991）511-515，https://doi.org/10.1016/0893-6080(91)90047-9. [16] Breen，P.G.，Foley，C.N.，Boekholt，T.和Zwart，S.P.，《牛顿与机器：使用深层神经网络解决混沌三体问题》，Mon。不是。R.阿斯顿。Soc.494（2）（2020）2465-2470。 [17] Broomhead，D.S.和Lowe，D.，多变量函数插值和自适应网络，《复杂系统2》（1988）321-335·Zbl 0657.68085号 [18] Brysina，I.V.和Makarichev，V.O.，《原子函数及其在数据处理中的推广：函数理论方法》，《射电》。计算。热量。系统4（3）（2018）4-10。 [19] Brysina，I.V.和Makarichev，V.O.，数字图像的离散原子压缩，无线电电子。计算。系统18（4）（2018）17-33。 [20] Brysina，I.V.和Makarichev，V.O.，广义原子子波，无线电电子。计算。系统85（1）（2018）23-31。 [21] Cattani，C.，\（C^2）-函数的二阶Shannon小波逼近，UPB Sci。牛市。序列号。A73（3）（2011）73-84·Zbl 1249.42024号 [22] Cattani，C.和Kudreykob，A.，求解Fredholm型第二类积分方程的谐波小波方法，应用。数学。计算215（12）（2010）4164-4171，https://doi.org/10.1016/j.amc.2009.12.037。 ·Zbl 1186.65160号 [23] Cattani，C.，Signorini柱面波和Shannon小波，Adv.Numer。2012年分析（2012）731591，https://doi.org/10.1155/2012/731591。 ·Zbl 1329.74105号 [24] Cattani，C.，Shannon小波空间上的Sinc-分数算子，Front。物理6（2018）118，https://doi.org/10.3389/fphy.2018.00118。 [25] 查特菲尔德，C.，《时间序列分析，导论》，第4版。（查普曼/霍尔，1989），https://doi.org/10.1007/978-1-4899-2925-9。 ·Zbl 0732.62088号 [26] Cheng，R.，Bai，Y.，Hu，H.和Tan，X.，基于新型自创建磁盘分割算法的径向小波神经网络车牌字符识别，Entropy17（6）（2015）3857-3876，https://doi.org/10.3390/e17063857。 [27] Ciftcioglu，O.，《从神经网络到小波网络》，第18届北美模糊信息处理协会国际会议（目录号99TH8397），美国纽约州纽约市，（1999年6月10日至12日），第894-898页，https://doi.org/10.109/NAFIPS.1999.781823。 [28] Cooklev，T.、Berbecel，G.I.和Venetsanopoulos，A.N.，《小波与微分方程》，IEEE Trans。信号处理48（8）（2000）2258-2268，https://doi.org/10.109/78.852007。 ·Zbl 0994.94003号 [29] Cortes，C.和Vapnik，V.，支持向量网络，马赫。学习20（1995）273-297，https://doi.org/10.1007/BF00994018。 ·Zbl 0831.68098号 [30] Cybenco，G.，乙状函数的超位置逼近，数学。控制、信号系统2（1989）303-314，https://doi.org/10.1007/BF02551274。 ·Zbl 0679.94019号 [31] Daubechies，I.，紧支撑小波的正交基，Commun。纯应用程序。数学41（1988）909-996，https://doi.org/10.1002/cpa.3160410705。 ·Zbl 0644.42026号 [32] E.Deriaz，Ondeletes pour la simulation des Ecoulements Fluides Incompressibles en Turbulence，法国格勒诺布尔国立理工学院博士，2006年。 [33] Deriaz，E.和Perrier，V.，《二维和三维无发散和无卷曲小波：湍流应用》，J.Turbul.7（3）（2006）1-37，https://doi.org/10.1080/14685240500260547。 ·Zbl 1273.76309号 [34] Dissanayake，M.W.M.G.和Phan Thien，N.，解偏微分方程的基于神经网络的近似，Commun。数字。方法工程10（3）（1994）195-201，https://doi.org/10.1002/cnm.1640100303。 ·Zbl 0802.65102号 [35] Docampo，D.，Hush，D.R.和Abdallah，C.T.，《信号处理和通信智能方法中的构造函数近似：理论与实践》，Docampo.，D.，Figueiras-Vidal，A.R.和Pérez-Gonzalez，F.（编辑）（Birkhauser，Boston，MA，1997），https://doi.org/10.1007/978-1-4612-2018-3-9。 ·Zbl 0870.68074号 [36] T.Dockhorn，《关于使用神经网络求解偏微分方程的讨论》，arXiv:1904.07200，（2019），第9页。 [37] N.Dunkin、J.Shawe-Taylor和P.Koiran，《一种新的增量学习技术》，NeuroCOLT技术报告系列1997014。doi:10.1007/978-1-4471-0951-8-8。 [38] Eremenko，S.Y.，《原子机器学习》，J.Neurocomput.3（2018）1-21。 [39] Eremenko，S.Y.，《原子孤子作为一类新的孤子》，《非线性世界杂志》16（6）（2018）39-63。 [40] Fang，Y.和Chow，T.W.S.，基于小波的函数逼近神经网络，Lect。注释计算。科学.3971（2006）80-85，https://doi.org/10.1007/11759966-12。 [41] Fan，Y.，Bohorquez，C.O.和Ying，L.，BCR-Net:基于非标准小波形式的神经网络，J.Compute。Phys.384（2019）1-15，https://doi.org/10.1016/j.jcp.2019.02.002。 ·Zbl 1451.65244号 [42] Gençay，R.、Selšuk，F.和Whitcher，B.，《小波和其他金融经济学滤波方法导论》（学术出版社，2001年），https://doi.org/10.1016/B978-0-12-279670-8.X5000-9。 [43] Gomeztagle Supelveda，F.，Kravchenko，V.和Ponomaryov，V.I.，视频序列实时处理中基于原子小波函数的超分辨率算法，Proc。SPIE7724（2010）1-12，https://doi.org/10.1117/12.853762。 [44] Gorin，E.A.，《有限函数中可解的一些泛函差分方程》，原始出版物：Algebra i Analiz，tom 18（2006）nomer 5，St.Petersbg.Math。J.18（2007）779-796，https://doi.org/10.1090/S1061-0022-07-00973-9。 ·Zbl 1155.35105号 [45] Goswami，J.C.和Chan，A.K.，《小波理论、算法和应用基础》（John Wiley&Sons，Royaume-Uni，1999），https://doi.org/10.1002/9780470926994。 ·Zbl 1209.65156号 [46] Gotovac，H.，Andricevic，R.和Gotovac，B.，地下水流动和输送问题的多分辨率自适应建模，高级水资源30（5）（2007）1105-1126，https://doi.org/10.1016/j.advwatres.2006.10.007。 [47] Gursoy，O.和Engin，S.N.，利用气象数据预测每日河流流量的小波神经网络方法，Meas。控制52（5-6）（2019）599-607，https://doi.org/10.1177/0020294019827972。 [48] Yu Guyaev。V.和Kravchenko，V.F.，一类新的Kravcenko-Rvachev函数WA-系统，Mosc。多克。数学75（2）（2007）325-332，https://doi.org/10.1134/S1064562407020391。 ·Zbl 1175.78035号 [49] Hasan，A.、Pereira，J.M.、Ravier，R.和Tarokh，S.F.V.，使用神经网络从数据中学习偏微分方程，收录于ICASSP 2020-2020 IEEE Int.Conf.Acoustics，Speech and Signal Processing（ICASSP），2020年，第3962-3966页。 [50] Hashemi，S.M.A.、Kazemi，H.Haji和Karamodin，A.，非线性函数逼近的基于进化的小波神经网络模型的验证，国际工程学报。A： 《基础》28（10）（2015）1423-1429。 [51] Haykin，S.，《神经网络：综合功能》（Mc Millan出版社，纽约，1994年）·Zbl 0828.68103号 [52] Heydari，M.H.，Hooshmandasl，M.R.，Cattani，C.和Li，M.，Legendre小波方法，用于求解封闭系统中的分数人口增长模型，数学。问题。工程.2013（2013）161030，https://doi.org/10.1155/2013/161030。 ·Zbl 1296.65108号 [53] Heydari，M.H.，Hooshmandasl，M.R.，Shakiba，A.和Cattani，C.，解非线性随机积分方程的Legendre小波Galerkin方法，非线性动力学85（2016）1185-1202，https://doi.org/10.1007/s11071-016-2753-x。 ·Zbl 1355.65011号 [54] Heydari，M.H.、Hooshmandasl，M.R.和Cattani，C.，求解非线性随机Ito-Volterra积分方程的小波方法，格鲁吉亚数学。J.27（1）（2018）（2020）81-95，https://doi.org/10.1515/gmj-2018-0009。 ·Zbl 1457.60104号 [55] Hornik，K.，多层前馈网络的逼近能力，神经网络，4（2）（1991）251-257，https://doi.org/10.1016/0893-6080（91）90009-T。 [56] Hornik，K.，关于神经网络逼近的一些新结果，neural Netw.6（8）（1993）1069-1072，https://doi.org/10.1016/S0893-6080（09）80018-X。 [57] Hornik，K.，Stinchcombe，M.和White，H.，多层前馈网络是通用逼近器，神经网络2（5）（1989）359-366，https://doi.org/10.1016/0893-6080(89)90020-8. ·Zbl 1383.92015年 [58] Hornik，K.，Stinchcombe，M.和White，H.，使用多层前馈网络对未知映射及其导数的通用近似，神经网络。3（5）（1990）551-560，https://doi.org/10.1016/0893-6080（90）90005-6。 [59] Hornik，K.，Stinchcombe，M.，White，H.和Auer，P.，逼近未知映射及其导数的前馈网络的逼近度结果，神经计算。6（6）（1994）1262-1275，https://doi.org/10.1162/neco.1996.6.1262。 ·Zbl 0846.60088号 [60] Hsu，C.W.和Lin，C.J.，多类支持向量机方法的比较，IEEE Trans。《神经网络》13（2）（2002）415-425，https://doi.org/10.109/72.991427。 [61] 黄毅，《人工神经网络研究进展——方法学发展与应用》，《算法2（3）》（2009）973-1007，https://doi.org/10.3390/algor2030973。 ·Zbl 1461.68183号 [62] Husken，M.、Jin，Y.和Sendhoff，B.，进化设计优化的神经网络结构优化，软计算9（2005）21-28，https://doi.org/10.1007/s00500-003-0330-y。 [63] Idris，M.F.I.M.，Dahlan，Z.A.和Jusoff，H.K.，《函数逼近中两个母小波的性能》，J.Math。决议1（2）（2009）135-143，https://doi.org/10.5539/jmr.v1n2p135。 ·Zbl 1181.65153号 [64] Isfahani，M.K.，Zekri，M.，Marateb，H.R.和Mananas，M.A.，基于规则归纳的模糊跳变小波神经网络，用于动态非线性系统识别和实际数据应用，PLoS One14（12）（2019）e0224075，https://doi.org/10.1371/journal.pone.0224075。 [65] S.Jaffard，Construction et propriéS des bases d’ondelettes。Remarques sur la controlabilitéexacte，巴黎高等技术学院博士，1989年。 [66] Kainen，P.C.、Kurkova，V.和Sanguineti，M.，计算模型对输入维的依赖性：近似和优化任务的可追踪性，IEEE Trans。Inf.Theory58（2）（2012）1203-1214，https://doi.org/10.1109/TIT.2011.2169531。 ·Zbl 1365.68373号 [67] Kainen，P.C.、Kurkova，V.和Sanguineti，M.，高斯径向基网络逼近光滑函数的复杂性，J.Complexity25（1）（2009）63-74，https://doi.org/10.1016/j.jco.2008.08.001。 ·Zbl 1162.65006号 [68] Kainen，P.C.、Kurkova，V.和Sanguineti，M.，《高斯径向基函数的近似率估计》，ICANNGA 2007，第二部分，第4432卷，Beliczynski，B.等人（编辑）（Springer Verlag，Berlin，Heidelberg，2007），第11-18页，https://doi.org/10.1007/978-3-540-71629-7-2。 [69] Kang，E.，Min，J.和Yea，J.C.，使用定向小波进行低剂量X射线CT重建的深度卷积神经网络，《医学物理》44（10）（2017）360-374，https://doi.org/10.1002/mp.12344。 [70] Kamber，G.，Gotovac，H.，Kozulić，V.，Malenica，L.和GotovacB.，使用层次Fup基函数和控制体积等几何分析的自适应数值建模，国际期刊Numer。方法流体92（10）（2020）1437-1461，https://doi.org/10.1002/fld.4830。 ·Zbl 1507.65266号 [71] Kampka，H.，广义2-微局部Besov空间的原子、分子和小波分解，J.Funct。空间应用8（2）（2010）129-165，https://doi.org/10.1155/2010/469513。 ·兹比尔1207.42020 [72] Khodayi-Mehr，R.和Zavlanos，M.M.，VarNet:偏微分方程解的变分神经网络，Proc。第二届Conf.动力学和控制学习，第120卷，2020年，第298-307页。 [73] Kobayashi，K.、Torioka，T.和Yoshida，N.，具有网络优化功能的小波神经网络，系统。计算。Jpn.26（9）（1995）61-71，https://doi.org/10.1002/scj.4690260906。 [74] Kobayashi，K.和Torioka，T.，用于函数逼近和网络优化的小波神经网络。ANNIE’94，第4卷，第505-510页。 [75] Koiran，P.，《连续神经网络的有效学习》，摘自Proc。COLT’94程序。第七届计算机学习理论年会，1994年，第348-355页，https://doi.org/10.1145/180139.181177。 [76] Kravchenko，V.F.、Perez-Meana，H.M.和Ponomaryov，V.I.，多维信号的自适应数字处理及其应用（莫斯科Fizmatlit，莫斯科，2009）。 [77] Kravchenko，V.F.和Zamyatin，A.A.，毫米波衍射边值问题中电磁积分方程有效解的原子函数和小波矩阵变换方法，《毫米波和亚毫米波物理与工程学报》，MSMW’98，哈尔科夫，https://doi.org/10.109/MSMW.1998.759019。 [78] Kuo，S.-S.和Ko，C.-N.，基于自适应退火算法的鲁棒小波神经网络，用于具有离群值的函数逼近，Artif。Life Robot.19（2014）186-192，https://doi.org/10.1007/s10015-014-0150-4。 [79] Kurkova，V.和Sanguineti，M.，变基速率和神经网络近似的界限，IEEE Trans。Inf.Theory47（6）（2001）2659-2665，https://doi.org/10.109/18.945285。 ·Zbl 1008.41012号 [80] Lagaris，I.E.，Likas，A.和Fotiadis，D.I.，求解常微分方程和偏微分方程的人工神经网络，IEEE Trans。神经网络9（5）（1998）987-1000，https://doi.org/10.109/72.712178。 [81] Lakey，J.D.，Masspaust，P.R.和Pereyra，M.C.，无散度多小波，近似理论IX，第2卷。（范德比尔特大学出版社，田纳西州纳什维尔，1998年），第161-168页·兹比尔0916.42027 [82] Li，S.-T.和Chen，S.-C.，《使用鲁棒小波神经网络进行函数逼近》，收录于Proc。ICTAI’02程序。第14届IEEE国际人工智能协调工具，2002年，第483页，https://doi.org/10.109/TAI.2002.1180842。 [83] Ling，S.H.，Iu，H.H.C.和Leung，F.H.F.，用于电子封装流体分配开发建模的改进混合粒子群优化小波神经网络，IEEE Trans。Ind.Electron.55（9）（2008）3447-3460，https://doi.org/10.109/TIE.2008.922599。 [84] Lukin，V.、Brysina，I.和Makarichev，V.，《数字图像的离散原子压缩：减少内存开销的方法》，摘自《机械工程中的集成计算机技术》，《智能系统和计算的进展》，第1113卷，Necconiruk，M.、Pavlikov，V.和Kritskiy，D.（编辑）（Springer，Cham，2020），492-502，https://doi.org/10.1007/978-3-030-37618-5-42。 [85] Magill，M.、Qureshi，F.Z.和De Haan，H.W.，《训练用于求解微分方程的神经网络学习一般表示法》，载于第32届Conf.Neural Information Processing Systems（NeurIPS 2018），加拿大蒙特利尔，2018年6月29日，14 p，arXiv:1807.00042v1。 [86] Makarichev，V.A.，《使用（mu p_s（x）逼近周期函数》，Mat.Zamet.93（6）（2013）878-901，https://doi.org/10.4213/mzm9288。 [87] Mall，S.和Chakraverty，S.，《求解常微分方程的人工神经网络结构比较》，Adv.Artif。神经系统2013（2013），181895·Zbl 1280.65081号 [88] Mallat，S.G.，图像和小波模型的多频信道分解，IEEE Trans。阿库斯特。语音信号处理。[另见IEEE Trans.Signal Process。]37（12）（1989）2091-2110，https://doi.org/10.109/29.45554。 [89] Mallat，S.G.，《多分辨率信号分解理论：小波表示》，IEEE Trans。模式分析。机器。Intell.11（1989）674-693，https://doi.org/10.109/34.192463。 ·Zbl 0709.94650号 [90] Marar，J.F.和Coelho，H.，sigmoid小波神经网络的多维多项式幂，收录于Proc。第一届国际会议《生物激励系统和信号处理》，2008年，第261-268页，https://doi.org/10.5220/0001067302610268。 [91] Marar，J.F.，Filho，E.C.B.Carvallo和Vasconcelos，G.C.，《利用乙状体幂生成的多项式小波进行函数逼近》，SPIE2762（2016）365-374，https://doi.org/10.1117/12.236043。 [92] Meltser，M.M.，Shoham，M.和Nanevitz，L.M.，《用神经网络逼近函数：统一范数下的构造性解》，《神经网络》9（6）（1996）965-978，https://doi.org/10.1016/0893-6080(95)00124-7. [93] Moeller，M.、Mollenhoff，T.和Cremers，D.，《通过能量耗散控制神经网络》，IEEE国际计算机视觉会议（ICCV），2019年，第3256-3265页。 [94] Mohammadi，F.和Cattani，C.，解分数阶微分方程的广义分数阶Legendre小波Tau方法，J.Compute。申请。数学.339（2018）306-316，https://doi.org/10.1016/j.cam.2017.09.031。 ·兹比尔1464.65079 [95] Moya-Sanchez，E.U.和Bayro-Corrochano，E.，四元数原子函数小波在图像处理中的应用，载于CIARP 2010，第6419卷，Bloch，I.和Cesar，R.M.Jr.（编辑）（Springer-Verlag，Berlin，Heidelberg，2010），第346-353页，https://doi.org/10.1007/978-3-642-16687-7-47。 [96] Neal，R.M.，《神经网络的贝叶斯学习》，第118卷（Springer-Verlag，1996），https://doi.org/10.1007/978-1-4612-0745-0。 ·Zbl 0888.62021号 [97] Oussar，Y.，Rivals，I.，Personnaz，L.和Dreyfus，G.，非线性动态输入输出建模的训练小波网络，神经计算20（1-3）（1998）173-188，https://doi.org/10.1016/S0925-2312(98)00010-1. ·Zbl 0910.68186号 [98] Perrier，V.和Basdevant，C.，关于连续小波变换的Besov范数。结构函数的应用，数学。模型方法应用。科学6（5）（1996）649-664，https://doi.org/10.1142/S0218202596000262。 ·Zbl 0978.42023号 [99] Priyadharsini，S.和Dejey，B.S.，使用EMG信号对神经肌肉疾病进行分类和诊断的混合elm小波技术，IIOAB J.6（4）（2015）98-106。 [100] Ponomaryov，V.、Gomeztagle，F.和Kravchenko，V.，基于小波原子函数的分辨率增强，载于2011年第17届国际数字信号处理会议（DSP）（Corfu，2011），第1-6页，https://doi.org/10.109/ICDSP.2011.6004972。 [101] Ramadan，M.A.、El-Danaf，T.S.和Eissa，M.A.，《使用细胞神经网络的偏微分方程近似解》，《国际科学杂志》。《工程投资》4（40）（2015）2251-8843。 [102] Rvachev，V.A.，《函数微分方程紧支撑解及其应用》，Russ.Math。Surv.45（1990）87，https://doi.org/10.1070/RM1990v045n01ABEH002324。 ·Zbl 0704.34090号 [103] Salhi，L.、Talbi，M.和Cherif，A.，《使用混合方法识别嗓音障碍：小波分析和多层神经网络》，工程技术出版社。国际电工杂志。计算。工程2（9）（2008）330-339，https://doi.org/10.5281/zenodo.1082661。 [104] S.Saremi NNAISENSE，《用神经网络逼近（nablaf）》，arXiv:1910.12744，（2019），10页。 [105] Shaham，U.、Cloninger，A.和Coifman，R.R.，深度神经网络的可证明近似特性，技术报告YALEU/DCS/TR-1513。申请。计算。哈蒙。分析44（3）（2018）537-557，https://doi.org/10.1016/j.acha.2016.04.003。 ·Zbl 1390.68553号 [106] 沈，J.，微分方程和小波的精化，方法应用。分析5（3）（1998）283-316，https://doi.org/10.4310/MAA.1998.v5.n3.a5。 ·Zbl 0929.34052号 [107] Teo，K.K.，Wang，L.和Lin，Z.，用于时间序列预测的小波多层感知器神经网络，载于ICCS 2001，Alexandrov，V.N.等人（编辑），第2074卷（Springer-Verlag，海德堡，2001），第310-317页·Zbl 0983.68776号 [108] Ting，W.和Sugai，Y.，用于非线性多变量函数逼近的小波神经网络，IEEE SMC’99 Conf.Proc。1999年，IEEE国际协调系统、人与控制论（分类号99CH37028）（1999年），第378-383页，https://doi.org/10.109/ICSMC.1999.823234。 [109] Wang，J.和Peng，H.，《构建模糊小波网络模型》，《国际信息技术杂志》11（6）（2005）68-74。 [110] Wang，G.，Guo，L.和Duan，H.，在目标威胁评估中使用多小波函数的小波神经网络，科学。《世界期刊》2013（2013）632437，https://doi.org/10.1155/2013/632437。 [111] Xie，Y.和Zhang，Y.，《短期交通量预测的小波网络模型》，J.Intell。运输。系统：技术。计划。作品10（3）（2006）141-150，https://doi.org/10.1080/15472450600798551。 ·Zbl 1151.90342号 [112] Yao，S.，Wei，C.J.和He，Z.Y.，用于函数逼近的进化小波神经网络，电子。Lett.32（4）（1996）360-361，https://doi.org/10.1049/el:19960229。 [113] Yuan，B.，Wang，F.和Bao，D.，《企业智力资本商誉价值评估的小波神经网络程序的设计与应用》，企业系统。Inf.5（2018）185-200，https://doi.org/10.3166/ISI.23.5.185-200。 [114] Zainuddin和Ong，P.，《使用人工神经网络的函数逼近》，WSEAS Trans。数学7（6）（2008）333-337。 [115] Zainuddin，Z.和Ong，P.，使用微阵列基因表达数据对癌症患者进行早期诊断的改进小波神经网络，载于IJCNN'09:Proc。2009年国际联合会议神经网络，2009年6月，第2663-2670页，https://doi.org/10.109/IJCNN.2009.5178962。 [116] Z.Zainuddin和O.Pauline，《使用人工神经网络的函数逼近》，国际期刊系统。申请。工程开发1（4）（2007）153-178。 [117] Zhang，Z.和San，Y.，用于预测每小时Nox和NO2浓度的自适应小波神经网络。2004年冬季模拟会议，第1770-1778页，https://doi.org/10.109/WSC.2004.1371529。 [118] Zhang，Q.和Benveniste，A.，小波网络，IEEE Trans。神经网络3（6）（1992）889-898，https://doi.org/10.109/72.165591。 [119] Zhang，J.，Walter，G.G.，Miao，Y.和Wayne，W.N.，用于函数学习的小波神经网络，IEEE Trans。信号处理。43（6）（1995）1485-1497，https://doi.org/10.109/78.388860。 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。