函数逼近和非线性回归
创建一个神经网络来推广非线性示例中输入和输出之间的关系
应用程序
| 神经网络拟合 | 使用两层前馈网络解决装配问题 |
功能
fitnet |
神经网络函数拟合 |
feedforwardnet |
产生前馈神经网络 |
cascadeforwardnet |
生成cascade-forward神经网络 |
火车 |
火车浅神经网络 |
trainlm |
Levenberg-Marquardt反向传播 |
trainbr |
贝叶斯正则化反向传播 |
trainscg |
按比例缩小的共轭梯度反向传播 |
trainrp |
有弹性的反向传播 |
均方误差 |
均方归一化误差性能函数 |
回归 |
(不推荐)进行线性回归的浅网络输出目标 |
ploterrhist |
情节错误直方图 |
plotfit |
情节功能适合 |
plotperform |
情节网络性能 |
plotregression |
情节线性回归 |
plottrainstate |
情节训练状态值 |
genFunction |
生成MATLAB函数模拟浅神经网络 |
例子和如何
基本设计
- 与浅神经网络适合数据
火车一个浅神经网络,以适应一个数据集。 - 创建、配置和初始化多层浅神经网络
准备一个多层浅神经网络。 - 身体脂肪估计
这个例子演示了如何拟合函数神经网络可以估计基于解剖测量体脂百分比。 - 培训和应用多层浅神经网络
培训和使用多层浅网络函数逼近和模式识别。 - 分析浅神经网络训练后性能
分析网络性能和调整训练过程中,网络架构,或数据。 - 部署浅神经网络功能
使用MATLAB模拟训练和部署浅神经网络®工具。 - 部署浅神经网络的训练
学习如何部署浅神经网络的训练。
培训可伸缩性和效率
- 浅神经网络并行计算和GPU计算
使用并行和分布式计算加速神经网络训练和模拟和处理大数据。 - 自动保存检查点在神经网络训练
将中间结果保存到保护长距离训练的价值。 - 优化神经网络的训练速度和内存
提高神经网络的训练效率。
最优解万博 尤文图斯
- 选择神经网络的输入-输出处理功能
预处理输入和目标更有效的培训。 - 配置浅神经网络输入和输出
学习如何手动配置网络训练之前使用配置函数。 - 把最优的神经网络训练数据
使用函数来将数据划分为训练,验证集和测试集。 - 选择一个多层神经网络训练功能
比较的训练算法在不同的问题类型。 - 改善浅神经网络泛化,避免过度拟合
学习方法来提高泛化,防止过度拟合。 - 神经网络训练误差的权重
学习如何使用错误加权训练神经网络。 - 规范化的多个输出错误
学习如何适应输出元素不同范围的值。
概念
- 神经网络设计的工作流
学习神经网络设计过程的主要步骤。
- 神经网络设计的四个级别
学习使用神经网络的不同层次的功能。
- 多层浅神经网络和反向传播训练
工作流设计多层浅前馈神经网络函数拟合和模式识别。
- 多层浅神经网络架构
学习多层浅神经网络的体系结构。
- 理解浅网络数据结构
学习的格式输入数据结构如何影响网络的仿真。
- 浅神经网络的样本数据集
试验时使用的样本数据集列表浅神经网络。
- 神经网络对象属性
学习属性定义一个网络的基本特性。
- 神经网络子对象属性
学习属性定义网络细节如输入,层,输出,目标,偏见,和权重。
