函数逼近与非线性回归
创建一个神经网络来概括示例输入和输出之间的非线性关系
应用程序
神经网络拟合 | 利用两层前馈网络解决拟合问题 |
功能
fitnet |
函数拟合神经网络 |
feedforwardnet |
生成前馈神经网络 |
cascadeforwardnet |
生成级联前向神经网络 |
火车 |
训练浅神经网络 |
trainlm |
Levenberg-Marquardt反向传播 |
trainbr |
贝叶斯正则化反向传播 |
trainscg |
缩放共轭梯度反向传播 |
trainrp |
有弹性的反向传播 |
均方误差 |
均方归一化误差性能函数 |
回归 |
(不推荐)对目标进行浅网络输出的线性回归 |
ploterrhist |
绘图误差直方图 |
plotfit |
图函数拟合 |
plotperform |
图网络性能 |
plotregression |
线性回归 |
plottrainstate |
图训练状态值 |
genFunction |
生成MATLAB模拟浅层神经网络的函数 |
例子和如何
基本设计
- 用浅神经网络拟合数据
训练一个浅神经网络来拟合一个数据集。 - 创建、配置和初始化多层浅神经网络
制备多层浅层神经网络。 - 体脂估计
这个例子说明了函数拟合神经网络如何基于解剖测量来估计体脂率。 - 训练和应用多层浅层神经网络
训练并使用多层浅网络进行函数逼近或模式识别。 - 浅层神经网络训练后性能分析
分析网络性能,调整培训流程、网络架构或数据。 - 部署浅神经网络函数
利用MATLAB仿真和部署训练好的浅层神经网络®工具。 - 浅神经网络的部署训练
学习如何部署浅层神经网络训练。
培训可扩展性和效率
- 基于并行和GPU计算的浅神经网络
使用并行和分布式计算来加速神经网络的训练和模拟,并处理大数据。 - 神经网络训练时自动保存检查点
保存中间结果,以保护长时间训练的价值。 - 优化神经网络的训练速度和记忆
使神经网络训练更高效。
最优解万博 尤文图斯
- 选择神经网络输入输出处理函数
预处理输入和目标,以便更有效地培训。 - 配置浅神经网络输入和输出
培训之前,请使用配置
函数。 - 最佳神经网络训练的数据划分
使用函数将数据划分为训练集、验证集和测试集。 - 选择一个多层神经网络训练函数
不同问题类型训练算法的比较。 - 改进浅神经网络泛化,避免过拟合
学习提高泛化和防止过拟合的方法。 - 用误差权值训练神经网络
学习如何在训练神经网络时使用误差加权。 - 多输出误差归一化
学习如何使用不同范围的值来匹配输出元素。
概念
- 神经网络设计工作流
学习神经网络设计过程中的主要步骤。
- 神经网络设计的四个层次
学习使用神经网络功能的不同层次。
- 多层浅层神经网络与反向传播训练
用于函数拟合和模式识别的多层浅前馈神经网络设计工作流。
- 多层浅层神经网络结构
学习多层浅层神经网络的结构。
- 理解浅层网络数据结构
了解输入数据结构的格式如何影响网络模拟。
- 浅层神经网络样本数据集
浅层神经网络实验时使用的样本数据集列表。
- 神经网络对象属性
了解定义网络基本特征的属性。
- 神经网络子对象属性
了解定义网络细节的属性,如输入、层、输出、目标、偏差和权重。