主要内容

神经网络训练误差的权重

在默认的均方误差性能函数(见培训和应用多层浅神经网络),每个平方误差贡献相同性能函数如下:

F = 米 年代 e = 1 N ∑ 我 = 1 N ( e 我 ) 2 = 1 N ∑ 我 = 1 N ( t 我 − 一个 我 ) 2

然而,工具箱允许你体重每平方误差分别如下:

F = 米 年代 e = 1 N ∑ 我 = 1 N w 我 e ( e 我 ) 2 = 1 N ∑ 我 = 1 N w 我 e ( t 我 − 一个 我 ) 2

误差权重对象需要有相同的维度目标数据。通过这种方式,错误可以加权根据时间步,样本数量、信号数字或元素。下面是一个例子,最后加权误差时间序列比错误更严重的一个时间序列的开始。误差权重对象在调用作为最后一个参数传递火车。

y = laser_dataset;y = y (1:6);印第安纳州= 1:6 00;电子战= 0.99。^(600 -印第安纳州);图图(新)

图包含一个坐标轴对象。坐标轴对象包含一个类型的对象。

电子战= con2seq (ew);ftdnn_net = timedelaynet ([1:8], 10);ftdnn_net.trainParam。时代= 1000;ftdnn_net。divideFcn =”;[p,π,人工智能,t, ew1] = preparets (ftdnn_net, y, y,{},电子战);[ftdnn_net1, tr] =火车(ftdnn_net p t,π,Ai, ew1);

{“字符串”:“数字神经网络训练(31 - 8月- 2022 01:40:57)包含一个类型的对象uigridlayout。”,“它”:[],“乳胶”:[]}

这个数字说明了误差权重对于这个示例。有600时间步的训练数据,和错误加权指数,最后平方误差1的重量,和第一次的平方误差步有一个权重为0.0024。

训练的反应网络如下图所示。如果你把这种反应的反应网络,训练没有指数加权平方误差,如图所示设计时间序列时滞神经网络,您可以看到错误在序列中的序列小于之前的错误。错误发生后更小,因为他们贡献更多的加权性能指标比以前的错误。