用于模式识别、聚类和时间序列的浅层网络
神经网络由并行操作的简单元件组成。这些元素的灵感来自于生物神经系统。在自然界中，各元素之间的联系在很大程度上决定了网络的功能。通过调整元素之间的连接(权重)值，可以训练神经网络执行特定的功能。
通常情况下，神经网络经过调整或训练，以使特定的输入导致特定的目标输出。下一个图表说明了这种情况。在这里，根据输出和目标的比较，对网络进行调整，直到网络输出与目标匹配。通常，训练网络需要许多这样的输入/目标对。
神经网络已经被训练在各个领域执行复杂的功能，包括模式识别、识别、分类、语音、视觉和控制系统。
神经网络还可以通过训练来解决传统计算机或人类难以解决的问题。这个工具箱强调使用神经网络范例，这些范例是建立在工程、金融和其他实际应用上的，或者它们本身是被使用的。
以下主题解释如何使用图形工具训练神经网络来解决函数拟合、模式识别、聚类和时间序列等问题。使用这些工具可以很好地介绍深度学习工具箱™软件的使用:
浅网络应用程序和功能深度学习工具箱
使用深度学习工具箱软件有四种方式。
第一种方式是通过它的工具。这些工具提供了一种方便的方式来访问工具箱的功能，以完成以下任务:
使用工具箱的第二种方法是通过基本的命令行操作。命令行操作提供了比工具更大的灵活性，但增加了一些复杂性。如果这是您第一次使用工具箱，那么工具提供了最好的介绍。此外，该工具可以生成有文档的MATLAB脚本®为您提供模板的代码，用于创建您自己的定制命令行函数。首先使用工具的过程，然后生成和修改MATLAB脚本，是了解工具箱功能的一个很好的方法。
使用工具箱的第三种方法是自定义。这种高级功能允许您创建自己的自定义神经网络，同时仍然可以访问工具箱的全部功能。您可以创建具有任意连接的网络，并且仍然可以使用现有的工具箱训练函数对其进行训练（只要网络组件是可微的）。
使用工具箱的第四种方法是通过修改工具箱中包含的任何函数的能力。每个计算组件是用MATLAB代码编写的，是完全可访问的。
从初学者到专家，这四个层次的工具箱使用范围:简单的工具指导新用户通过特定的应用程序，网络定制允许研究人员用最少的努力尝试新的架构。无论您的神经网络和MATLAB知识水平如何，都有工具箱功能来满足您的需求。
脚本自动生成
这些工具本身构成了深度学习工具箱软件学习过程的重要组成部分。他们指导您通过设计神经网络的过程，以解决四个重要的应用领域的问题，不需要任何背景的神经网络或复杂的使用MATLAB。此外，这些工具可以自动生成简单和高级的MATLAB脚本，这些脚本可以重现工具执行的步骤，但可以选择覆盖默认设置。这些脚本可以为您提供创建定制代码的模板，并且可以帮助您熟悉工具箱的命令行功能。强烈建议您使用这些工具的自动脚本生成工具。
深度学习工具箱应用程序
它不可能覆盖神经网络提供了出色解决方案的全部应用范围。万博 尤文图斯本主题的其余部分仅描述功能拟合、模式识别、聚类和时间序列分析中的少数应用。下表提供了神经网络为其提供最先进解决方案的各种应用的想法。万博 尤文图斯
行业 |
业务应用程序 |
|---|---|
高性能飞机自动驾驶仪、飞行轨迹模拟、飞机控制系统、自动驾驶仪增强、飞机部件模拟和飞机部件故障检测 |
|
汽车自动导航系统，保修活动分析 |
|
审核及其他文件阅读及信用申请评估 |
|
武器转向，目标跟踪，目标识别，人脸识别，新型传感器，声纳，雷达和图像信号处理，包括数据压缩，特征提取和噪声抑制，信号/图像识别 |
|
代码序列预测、集成电路芯片布局、过程控制、芯片故障分析、机器视觉、语音合成、非线性建模 |
|
动画、特效和市场预测 |
|
房地产评估、贷款咨询、抵押贷款筛选、公司债券评级、信用额度使用分析、信用卡活动跟踪、投资组合交易程序、公司财务分析和货币价格预测 |
|
预测工业过程，如熔炉输出气体，取代过去用于这一目的的复杂和昂贵的设备 |
|
政策应用评估和产品优化 |
|
制造过程控制、产品设计与分析、过程与机器诊断、实时粒子识别、视觉质量检测系统、啤酒测试、焊接质量分析、纸张质量预测、计算机芯片质量分析、磨削操作分析、化工产品设计分析、机械维修分析、工程招投标、规划管理、化工过程系统动态建模 |
|
乳腺癌细胞分析、脑电图和心电图分析、假体设计、移植时间优化、医院费用降低、医院质量改善和急诊室试验建议 |
|
探索 |
|
轨迹控制，叉车机器人，机械手控制器和视觉系统 |
|
市场分析、自动债券评级和股票交易咨询系统 |
|
语音识别，语音压缩，元音分类，文本到语音合成 |
|
图像和数据压缩、自动化信息服务、口语实时翻译以及客户支付处理系统 |
|
卡车制动诊断系统，车辆调度和路线选择系统 |
浅神经网络设计步骤
在本主题的其余部分，您将遵循设计神经网络的标准步骤，以解决四个应用领域的问题:功能拟合、模式识别、聚类和时间序列分析。这些问题中的任何一个的工作流都有七个主要步骤。(步骤1中的数据收集虽然重要，但通常在MATLAB环境之外进行。)
收集数据
创建网络
配置网络
初始化权重和偏差
培训网络
验证网络
使用网络
在以下部分中，您将使用GUI工具和命令行操作来执行这些步骤:
你也可以从以下列表中选择一个网站:
