This essay proves the Universal Approximation Theorem for discriminatory activation functions, in particular continuous sigmoidal functions, over compact spaces. In other words, a neural network with a discriminatory activation function can approximate any continuous function over a compact space. The theorem guarantees the effectivity of neural networks. / Denna uppsats bevisar Universala Approximations Satsen för diskriminerande funktioner, särskillt kontinuerliga sigmoidala funktioner, över kompakta rum. Med andra ord, ett neuralt nätverk med en discriminerande aktiveringsfunktion kan approximera alla kontinguerliga functioner över kompakta rum. Satsen garanterar effektivitet av neurala nätverk.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:umu-226332 |
Date | January 2024 |
Creators | Gammelli, Elin |
Publisher | Umeå universitet, Institutionen för matematik och matematisk statistik |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds