Som sagt, de kan uppskatta en diskontinuerlig funktion godtyckligt. Till exempel kan tyngdsidans funktion, som är 0 för x=0, approximeras med sigmoid(lambdax) och approximationen blir bättre när lambda går till oändligheten.
Kan neurala nätverk lära sig diskontinuerliga funktioner?
Ett trelagers neur alt nätverk kan representera valfri diskontinuerlig multivariat funktion. … I denna artikel bevisar vi att inte bara kontinuerliga funktioner utan även alla diskontinuerliga funktioner kan implementeras av sådana neurala nätverk.
Kan ett neur alt nätverk uppskatta vilken funktion som helst?
The Universal Approximation Theorem säger att ett neur alt nätverk med 1 dolt lager kan approximera vilken kontinuerlig funktion som helst för indata inom ett specifikt intervall. Om funktionen hoppar runt eller har stora luckor kommer vi inte att kunna uppskatta det.
Vilket neur alt nätverk kan uppskatta vilken kontinuerlig funktion som helst?
Sammanfattningsvis är ett mer exakt uttalande av universalitetsteoremet att neurala nätverk med ett enda dolt lager kan användas för att approximera vilken kontinuerlig funktion som helst till vilken precision som helst.
Kan neurala nätverk lösa några problem?
Idag används neurala nätverk för att lösa många affärsproblem såsom försäljningsprognoser, kundundersökningar, datavalidering och riskhantering. Till exempel på Statsbot vitillämpa neurala nätverk för tidsserieförutsägelser, anomalidetektering i data och naturlig språkförståelse.
