自定义神经网络

创建神经网络对象

创建并学习神经网络对象的基本组成部分。

配置浅神经网络输入输出

学习如何手动配置网络之前培训使用配置函数。

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的模拟。

编辑浅神经网络属性

使用其属性定制网络架构，并使用和培训定制网络。

历史和替代神经网络

自适应神经网络滤波器

设计一个自适应的线性系统，当它运行时对环境的变化做出反应。

感知器神经网络

学习简单分类问题的感知器网络的架构、设计和训练。

用双输入感知器分类

通过训练一个二输入硬极限神经元，将四个输入向量分成两类。

离群值的输入向量

通过训练一个二输入硬极限神经元，将5个输入向量分为两类。

归一化感知器规则

通过训练一个二输入硬极限神经元，将5个输入向量分为两类。

线性不可分的向量

一个二输入硬极限神经元不能正确地分类5个输入向量，因为它们是线性不可分的。

径向基神经网络

学习设计和使用径向基础网络。

径向基近似

本例使用NEWRB函数创建一个径向基网络，该网络近似由一组数据点定义的函数。

径向基底下重叠神经元

一个径向基网络被训练以响应特定的输入和目标输出。

放射状基底重叠神经元

一个径向基网络被训练以响应特定的输入和目标输出。

GRNN函数近似

本例使用函数NEWGRNN和SIM。

并通过分类

这个例子使用了函数NEWPNN和SIM。

概率神经网络

使用概率神经网络分类问题。

广义回归神经网络

学习设计一个用于函数逼近的广义回归神经网络(GRNN)。

学习向量量化(LVQ)神经网络

创建并训练学习向量量化(LVQ)神经网络。

学习矢量量化

训练LVQ网络，根据给定目标对输入向量进行分类。

线性神经网络

设计一个线性网络，当有一组给定的输入向量时，产生相应的目标向量的输出。

线性预测设计

这个例子演示了如何设计一个线性神经元来预测给定时间序列的后5个值的下一个值。

自适应线性预测

这个例子展示了自适应线性层如何在给定电流和最后四个值的情况下学习预测信号中的下一个值。