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:
创建三种类型的神经网络:NARX网络,NAR网络和非线性输入输出网络。
导入的数据文件,MATLAB®工作区,或使用一个数据集的例子。
将数据分为训练、验证和测试集。
定义和训练神经网络。
评估网络性能使用均方误差和回归分析。
使用可视化情节分析结果,如自相关图或柱状图的错误。
生成MATLAB脚本复制结果和定制的培训过程。
生成函数适合部署MATLAB编译器™和MATLAB编码器™工具,出口到仿真软件万博1manbetx®使用万博1manbetx仿真软件编码器。
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。
打开神经网络时间序列应用
MATLAB将来发布:应用程序选项卡,在机器学习和深度的学习,点击应用程序图标。
MATLAB命令提示:输入
ntstool
。
算法
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 | 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 |
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 |
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 |