提出新型神经网络算子，提升函数逼近精度与收敛速度。

Approximation by Steklov Neural Network Operators

• 基于Steklov积分构造新型神经网络算子
• 证明了点态与一致收敛性及连续模速率
• 适合研究函数逼近与神经网络理论的学者

本文提出一类新的神经网络算子——Steklov神经网络算子。通过引入Steklov型积分，构建了一种新型神经网络算子，并获得了该族算子的若干收敛定理，包括点态收敛、一致收敛以及基于连续模的收敛速率。这些结果为神经网络在函数逼近中的理论分析提供了新工具。

原文摘要 · Abstract (English)

The present paper deals with construction of newly family of Neural Network operators, that is, Steklov Neural Network operators. By using Steklov type integral, we introduce a new version of Neural Network operators and we obtain some convergence theorems for the family, such as, pointwise and uniform convergence, rate of convergence via modulus of continuity.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。