神经网络拟合 | 通过训练一个两层前馈网络拟合数据 |
菲特 |
函数拟合神经网络 |
feedforwardnet |
生成前馈神经网络 |
级联转发网 |
级联前向神经网络 |
火车 |
训练浅层神经网络 |
特莱姆 |
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 |
弹性反向传播 |
均方误差 |
均方归一化误差性能函数 |
回归 |
(不推荐)对目标进行浅层网络输出线性回归 |
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 |
绘图列状态 |
Plot training状态值 |
基因功能 |
生成MATLAB模拟浅神经网络的函数 |
训练一个浅层神经网络以适应数据集。
制备多层浅层神经网络。
这个例子说明了一个函数拟合神经网络如何根据解剖测量来估计体脂百分比。
训练并使用多层浅层网络进行函数近似或模式识别。
分析网络性能,调整培训流程、网络架构或数据。
使用MATLAB仿真和部署训练过的浅神经网络®工具。
学习如何部署浅神经网络的训练。
使用并行和分布式计算加速神经网络训练和模拟,并处理大数据。
保存中间结果以保护长时间训练跑步的价值。
使神经网络训练更有效。
预处理输入和目标,以更有效的培训。
学习如何手动配置网络之前培训使用配置
函数。
使用函数将数据划分为训练、验证和测试集。
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适应输出元素。
学习神经网络设计过程中的主要步骤。
学习使用不同层次的神经网络功能。
用于函数拟合和模式识别的多层浅层前馈神经网络设计流程。
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。
使用浅层神经网络进行实验时使用的样本数据集列表。
学习定义网络基本特征的属性。
了解定义网络详细信息的特性,如输入、图层、输出、目标、偏差和权重。