CΨ = a constant that depends on the

CΨ = a constant that depends on the choice of wavelet. Wavelet transforms implemented on discrete values of scale and location are termed discrete wavelet transforms (DWTS). Cai and Harrington (1999) detailed two distinct advantages of utilizing WT preprocessing in the development of neural networks: (1) data compression and (2) noise reduction. The diminution of noise is essential in multivariate analysis because many methods overfit the data if care is not judiciously practiced. The authors also expressed how wavelet compression can intensify the training rate of a neural network, thus permitting neural network models to be built from data that otherwise would be prohibitively large.

Kết quả (Việt) 1:

CΨ = một hằng số phụ thuộc vào sự lựa chọn của bề mặt. Bề mặt biến đổi thực hiện trên các giá trị rời rạc của quy mô và địa điểm được gọi là rời rạc bề mặt biến đổi (DWTS). Cai và Harrington (1999) chi tiết hai ưu điểm khác biệt của sử dụng WT tiền xử lý trong sự phát triển của mạng nơ-ron: (1) dữ liệu nén và (2) tiếng ồn giảm. Phòng giảm tiếng ồn là rất cần thiết trong phân tích đa biến, vì nhiều phương pháp overfit dữ liệu nếu chăm sóc là không khôn ngoan thực hành. Các tác giả cũng bày tỏ sự như thế nào bề mặt nén có thể tăng cường tốc độ đào tạo của một mạng lưới thần kinh, do đó cho phép các mô hình mạng lưới thần kinh được xây dựng từ dữ liệu mà nếu không sẽ không tốn lớn.

Kết quả (Việt) 2:

CΨ = một hằng số phụ thuộc vào sự lựa chọn của wavelet. Wavelet biến đổi thực hiện trên các giá trị rời rạc của biến đổi wavelet rời rạc quy mô và vị trí được gọi là (DWTS). Cai và Harrington (1999) trình bày chi tiết hai lợi thế riêng biệt của việc sử dụng WT tiền xử lý trong sự phát triển của mạng lưới thần kinh: (1) nén dữ liệu và (2) giảm tiếng ồn. Các phòng giảm tiếng ồn là điều cần thiết trong phân tích đa biến vì nhiều phương pháp overfit dữ liệu nếu chăm sóc không được sáng suốt thực hành. Các tác giả cũng bày tỏ cách nén wavelet có thể tăng cường tỷ lệ đào tạo một mạng lưới thần kinh, do đó cho phép các mô hình mạng thần kinh để được xây dựng từ dữ liệu mà nếu không sẽ quá lớn.