Nearly Exponential Neural Networks Approximation in Lp Spaces
| Main Authors: | Bhaya , Eman Samir, Fadel, Zahraa Mahmoud |
|---|---|
| Format: | Article info application/pdf Journal |
| Bahasa: | eng |
| Terbitan: |
University of Babylon
, 2017
|
| Subjects: | |
| Online Access: |
https://www.journalofbabylon.com/index.php/JUBPAS/article/view/359 https://www.journalofbabylon.com/index.php/JUBPAS/article/view/359/201 |
Daftar Isi:
- يدخل التقريب باستخدام الشبكات العصبية في الكثير من التطبيقات المهمة. حيث انه يحل الكثير من المشاكل في مجالات علوم الحاسوب و الهندسة و الفيزياء, الخ. ان سبب نجاح التقريب باستخدام الشبكات العصبية هو امكانيته من تقريب اية دالة مهما كان نوعها. في الثلاثين سنة الماضية نشرت الكثير من البحوث جميع تلك البحوث بينت ان كل دالة معرفة على مجموعة مرصوصة محدبة و جزئية من الفضاء الاقليدي يمكن تقريبها بانتظام باستخدام الشبكة العصبية ذان الطبقة المخفية الواحدة. في هذا البحث قمنا بتعميم الحقائق التي قدمها رانجيتا في و برهنا أن لأية داله تنتمي الى ( و معرفه على مجموعه محدبة ومرصوصة في يمكن تقريبها باستخدام شبكه عصبيه ذات طبقه مخفيه واحده من نوع الاس القريب وهذا ما نسميه بالتقريب باستخدام الشبكات العصبية من نوع الاس القريب.
- In different applications, we can widely use the neural network approximation. They are being applied to solve many problems in computer science, engineering, physics, etc. The reason for successful application of neural network approximation is the neural network ability to approximate arbitrary function. In the last 30 years, many papers have been published showing that we can approximate any continuous function defined on a compact subset of the Euclidean spaces of dimensions greater than 1, uniformly using a neural network with one hidden layer. Here we prove that any real function in L_P (C) defined on a compact and convex subset of can be approximated by a sigmoidal neural network with one hidden layer, that we call nearly exponential approximation.