神经网络拟合 | 通过训练双层前馈网络来拟合数据 |
fitnet |
函数拟合神经网络 |
feedforwardnet |
生成前馈神经网络 |
cascadeforwardnet |
Cascade-forward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 |
梅塞 |
均方归一化误差性能函数 |
回归 |
(不推荐)对目标浅层网络输出进行线性回归 |
ploterrhist |
情节错误直方图 |
plotfit |
情节功能适合 |
plotperform |
情节网络性能 |
plotregression |
情节线性回归 |
plottrainstate |
情节训练状态值 |
genFunction |
生成MATLAB模拟浅层神经网络的函数 |
训练一个浅层神经网络来适应一个数据集。
制作多层浅层神经网络。
这个例子说明了如何一个函数拟合神经网络可以估计身体脂肪百分比的基础上解剖测量。
训练并使用多层浅层网络进行函数逼近或模式识别。
分析网络性能,调整培训流程、网络架构或数据。
利用MATLAB仿真和部署训练好的浅层神经网络®工具。
学习如何部署浅神经网络的训练。
采用并行和分布式计算,加快神经网络训练和模拟,处理大数据。
保存中间结果以保护长距离训练的价值。
使神经网络训练更高效。
预处理输入和目标,以获得更有效的训练。
学习如何手动配置网络前培训使用配置
函数。
使用函数将数据划分为培训、验证和测试集。
针对不同问题类型的训练算法比较。
学习改进泛化和防止过拟合的方法。
学习在训练神经网络时如何使用误差加权。
学习如何使用不同范围的值来匹配输出元素。
学习神经网络设计过程中的主要步骤。
学习使用神经网络功能的不同层次。
设计用于函数拟合和模式识别的多层浅层前馈神经网络的工作流程。
学习多层浅层神经网络的结构。
了解输入数据结构的格式如何影响网络模拟。
当实验浅层神经网络时使用的样本数据集的列表。
学习定义网络基本特征的属性。
了解定义网络细节的属性,如输入、层、输出、目标、偏差和权重。