神经网络(也称人工神经网络)是一种自适应系统,它通过类似人脑的分层结构,使用相互连接的节点或神经元进行学习。神经网络可以从数据中学习,因此可以训练它识别模式,对数据进行分类,并预测未来事件。
神经网络将输入分解成抽象层。例如,它可以像人类大脑一样,通过许多例子训练来识别语言或图像中的模式。它的行为是由其各个元素的连接方式以及这些连接的强度或权重来定义的。在训练过程中,这些权重会根据指定的学习规则自动调整,直到人工神经网络正确地执行所需的任务。
神经网络尤其适合执行模式识别识别和分类语言、视觉和控制系统中的物体或信号它们还可以用于进行时间序列预测和建模。
下面是一些使用人工神经网络的例子:
神经网络结合了几个处理层,使用简单的元素并行操作,并受到生物神经系统的启发。它由一个输入层、一个或多个隐藏层和一个输出层组成。每一层都有几个节点或神经元,每一层使用前一层的输出作为其输入,因此神经元将不同层连接起来。每个神经元通常都有在学习过程中调整的权重,随着权重的减少或增加,它会改变该神经元信号的强度。
分类是一种有监督的机器学习,其中算法“学习”从标记数据的例子中对新的观察结果进行分类。
回归模型描述一个响应(输出)变量和一个或多个预测(输入)变量之间的关系。
模式识别是人工神经网络在计算机视觉、雷达处理、语音识别和文本分类等方面应用的重要组成部分。它的工作原理是根据关键特征将输入数据分类为对象或类,使用监督或非监督分类。
例如,在计算机视觉中,监督模式识别技术被用于光学字符识别(OCR)、人脸检测、人脸识别、目标检测和目标分类。在图像处理和计算机视觉中,无监督模式识别技术被用于目标检测和图像分割。
无监督学习
无监督神经网络通过让神经网络不断调整自己以适应新的输入来训练。它们被用来从没有标记响应的输入数据组成的数据集中得出推论。您可以使用它们来发现数据中的自然分布、类别和类别关系。
聚类是一种无监督学习方法,利用人工神经网络进行探索性数据分析,发现数据中隐藏的模式或分组。这个过程涉及到根据相似性对数据进行分组。申请聚类分析包括基因序列分析、市场研究和对象识别。
有了管理大型数据集的工具和功能,MATLAB®为机器学习、人工神经网络、深度学习、计算机视觉和自动驾驶提供专门的工具箱。
只需几行代码,MATLAB就可以让您开发神经网络,而无需成为专家。快速入门,创建并可视化模型,并将模型部署到服务器和嵌入式设备。
使用MATLAB,您可以将结果集成到现有的应用程序中。MATLAB可以在企业系统、集群、云和嵌入式设备上自动部署人工神经网络模型。
每个神经网络应用程序都是独特的,但开发网络通常遵循以下步骤:
MATLAB和深度学习工具箱提供命令行函数和应用程序,用于创建、训练和模拟浅神经网络。这些应用程序使开发用于分类、回归(包括时间序列回归)和聚类等任务的神经网络变得很容易。在这些工具中创建网络之后,您可以自动生成MATLAB代码来捕获您的工作并实现任务自动化。
对网络输入和目标进行预处理,提高了浅神经网络训练的效率。后处理可以详细分析网络性能。MATLAB和金宝app®提供工具帮助您:
提高网络的泛化能力有助于防止过拟合这一人工神经网络设计中的常见问题。当网络已经记住了训练集,但还没有学会对新的输入进行泛化时,就会发生过拟合。过拟合在训练集上产生的误差相对较小,但在向网络提供新数据时产生的误差就大得多。了解更多关于如何做到这一点使用交叉验证以避免过拟合.
改进泛化金宝搏官方网站的两种解决方案包括: