适应
使神经网络适应模拟数据
语法
[net，Y，E，Pf，Af，tr]=adapt（net，P，T，Pi，Ai）
求助
类型帮助网络/调整.
描述
此函数用于计算每次显示输入后的网络输出和错误。
[net，Y，E，Pf，Af，tr]=adapt（net，P，T，Pi，Ai）拿
净 |
网络 |
P |
网络输入 |
T |
网络目标(默认值= 0) |
圆周率 |
初始输入延迟条件(默认为零) |
艾岛 |
初始层延迟条件（默认值=零） |
并在应用自适应函数后返回以下内容调整函数使用自适应参数net.adaptParam:
净 |
更新网络 |
Y |
网络输出 |
E |
网络错误 |
Pf |
最终输入延迟条件 |
Af |
最终层延迟条件 |
tr |
培训记录( |
注意T是可选的，仅对于需要目标的网络才需要。圆周率和Pf也是可选的，只需要用于具有输入或层延迟的网络。
适应的信号参数可以有两种格式:单元格数组或矩阵。
单元格数组格式是最容易描述的。它对于有多个输入和输出的网络是最方便的，并且允许输入序列被呈现，
P |
|
每个元素 |
T |
|
每个元素 |
圆周率 |
|
每个元素 |
艾岛 |
|
每个元素 |
Y |
|
每个元素 |
E |
|
每个元素 |
Pf |
|
每个元素 |
Af |
|
每个元素 |
哪里
倪 |
= |
net.numInputs |
问 |
= |
net.numLayers |
没有 |
= |
net.numOutputs |
身份证件 |
= |
net.numinput延迟 |
LD |
= |
net.numLayerDelays |
TS |
= |
时间步数 |
Q |
= |
批量大小 |
Ri |
= |
net.inputs{我}.size |
硅 |
= |
net.layers{我}.size |
用户界面 |
= |
净输出{i}.size |
列圆周率,Pf,艾岛,Af从最古老的延迟条件到最近的:
π{i，k} |
= |
输入 |
Pf{i，k} |
= |
输入 |
Ai {i、k} |
= |
层输出 |
Af{i，k} |
= |
层输出 |
如果只模拟一个时间步，则可以使用矩阵格式(TS=1)。它适用于只有一个输入和输出的网络，但可用于具有更多输入和输出的网络。
通过将相应单元格数组参数的元素存储在单个矩阵中，可以找到每个矩阵参数：
P |
( |
T |
( |
圆周率 |
( |
艾岛 |
( |
Y |
( |
E |
( |
Pf |
( |
Af |
( |
例子
这里有两个12步的序列(其中T1是众所周知的依靠P1)用于定义过滤器的操作。
p1={-10101-1010-10101}；t1={-1-1110-1-1011}；
在这里线性层用于创建输入范围为的图层[-1 1]，一个神经元，输入延迟为0和1，学习率为0.1。然后模拟线性层。
网=线性层([0 1],0.1);
在这里，网络适用于一次通过序列。
显示网络的均方误差。(因为这是第一次呼叫适应，默认值圆周率（已使用。）
[net，y，e，pf]=adapt（net，p1，t1）；mse（e）
请注意，错误相当大。在这里，网络适应另外12个时间步（使用先前的Pf作为新的初始延迟条件）。
p2={1-1-11-1001-1-1}；t2={20-20-20-100-10-1}；[net，y，e，pf]=adapt（net，p2，t2，pf）；mse（e）
在这里，网络在整个序列中适应100次。
p3=[p1 p2]；t3=[t1-t2]；对于i=1:100[net，y，e]=adapt（net，p3，t3）；结束mse（e）
100次通过序列后的误差非常小。该网络已经适应了输入信号和目标信号之间的关系。
算法
适应调用指定的函数调整函数，使用由指示的自适应参数值net.adaptParam.
给定一个带有TS步骤，网络更新如下：输入序列中的每个步骤一次一个地呈现给网络。网络的权重和偏差值在每一步之后更新，然后再显示序列中的下一步。因此，网络被更新TS时代。
您还可以从以下列表中选择网站：
