神经网络时间序列

使用动态神经网络解决非线性时间序列问题

描述

的神经网络时间序列应用程序允许您创建、可视化和列车动态神经网络解决三种不同的非线性时间序列问题。

使用此应用程序,您可以:

请注意

交互式地建立、可视化和深度学习神经网络,训练使用深层网络设计师应用。更多信息,请参阅开始使用深层网络设计师。

的神经网络时间序列应用程序提供了内置的训练算法,您可以使用它们来训练你的神经网络。

训练算法描述

Levenberg-Marquardt

训练算法	描述
Levenberg-Marquardt	根据Levenberg-Marquardt优化更新重量和偏差值。Levenberg-Marquardt培训通常是最快的算法,虽然它比其他方法需要更多的内存。要实现这个算法,神经网络时间序列应用程序使用`trainlm`函数。
贝叶斯正则化	贝叶斯正则化更新重量和偏差值根据Levenberg-Marquardt优化。然后最小化方错误和权重的组合,并确定正确的组合,以产生一个网络推广。这个算法通常需要更长的时间但善于概括嘈杂或较小的数据集。要实现这个算法,神经网络时间序列应用程序使用`trainbr`函数。
按比例缩小的共轭梯度反向传播	按比例缩小的共轭梯度反向传播更新重量和偏差值根据共轭梯度法。对于大型问题,建议按比例缩小的共轭梯度,更多的内存,因为它使用梯度计算效率比使用的雅可比矩阵计算Levenberg-Marquardt或贝叶斯正规化。要实现这个算法,神经网络时间序列应用程序使用`trainscg`函数。

根据Levenberg-Marquardt优化更新重量和偏差值。Levenberg-Marquardt培训通常是最快的算法,虽然它比其他方法需要更多的内存。

要实现这个算法,神经网络时间序列应用程序使用trainlm函数。

贝叶斯正则化

贝叶斯正则化更新重量和偏差值根据Levenberg-Marquardt优化。然后最小化方错误和权重的组合,并确定正确的组合,以产生一个网络推广。这个算法通常需要更长的时间但善于概括嘈杂或较小的数据集。

要实现这个算法,神经网络时间序列应用程序使用trainbr函数。

按比例缩小的共轭梯度反向传播

按比例缩小的共轭梯度反向传播更新重量和偏差值根据共轭梯度法。对于大型问题,建议按比例缩小的共轭梯度,更多的内存,因为它使用梯度计算效率比使用的雅可比矩阵计算Levenberg-Marquardt或贝叶斯正规化。

要实现这个算法,神经网络时间序列应用程序使用trainscg函数。