用于模式识别，聚类和时间序列的浅网络
神经网络由并联操作的简单元素组成。这些元素受生物神经系统的启发。与本质上，元素之间的连接在很大程度上决定了网络功能。您可以通过调整元素之间的连接（权重）的值来训练神经网络来执行特定功能。
通常，调整或训练神经网络，使特定输入导致特定的目标输出。下一个数字说明了这种情况。这里，基于输出和目标的比较来调整网络，直到网络输出与目标匹配。通常，需要许多这样的输入/目标对来训练网络。
神经网络已经训练，以便在各种领域进行复杂功能，包括模式识别，识别，分类，语音，愿景和控制系统。
神经网络也可以接受培训以解决常规计算机或人类难的问题。该工具箱强调了使用内部网络范式的神经网络范式，或者自己使用的是工程，金融和其他实际应用。
以下主题解释了如何使用图形工具来培训神经网络，解决功能拟合，模式识别，聚类和时间序列中的问题。使用这些工具可以为您提供使用深度学习工具箱™软件的出色介绍：
浅网络应用程序和功能深度学习工具箱
您可以使用四种方式使用深度学习工具箱软件。
第一种方式是通过其工具。您可以从命令启动的主工具中打开任何这些工具
nnstart.。这些工具提供了一种方便的方法来访问工具箱的功能，以获取以下任务：使用工具箱的第二种方法是通过基本命令行操作。命令行操作提供比工具更多的灵活性，但有一些额外的复杂性。如果这是您对工具箱的第一个体验，该工具提供了最佳介绍。此外，该工具可以生成记录的MATLAB的脚本®代码为您提供创建自己的自定义命令行功能的模板。首先使用该工具，然后生成和修改Matlab脚本的过程是了解工具箱功能的绝佳方式。
使用工具箱的第三种方式是通过自定义。此高级功能允许您创建自己的自定义神经网络，同时仍然可以访问工具箱的完整功能。您可以使用任意连接创建网络，并且您仍然能够使用现有的工具箱培训函数训练它们（只要网络组件是可差的）。
使用工具箱的第四种方法是通过修改工具箱中包含的任何功能的能力。每个计算组件都以MATLAB代码编写，可完全访问。
这四个级别的工具箱使用量跨越了新手的专家：简单的工具通过特定应用程序指导新用户，网络自定义允许研究人员尝试具有最小努力的新颖架构。无论您的神经网络和MATLAB知识如何，都有工具箱功能以满足您的需求。
自动脚本生成
该工具本身成为深度学习工具箱软件学习过程的重要组成部分。他们通过设计神经网络的过程来解决四个重要应用领域的问题，而无需在使用MATLAB中的神经网络中的任何背景或复杂。此外，该工具还可以自动生成简单和高级的MATLAB脚本，可以重现工具执行的步骤，但有选择覆盖默认设置。这些脚本可以为您提供用于创建自定义代码的模板，它们可以帮助您熟悉工具箱的命令行功能。强烈建议您使用这些工具的自动脚本生成工具。
深度学习工具箱应用程序
不可能涵盖神经网络提供优异解决方案的应用程序的总范围。金宝搏官方网站本主题的其余部分只描述了功能拟合，模式识别，聚类和时间序列分析中的一些应用程序。下表提供了神经网络提供最先进的解决方案的应用程序的多样性。金宝搏官方网站
行业 |
业务应用程序 |
|---|---|
高性能飞机自动驾驶仪，飞行路径仿真，飞机控制系统，自动驾驶仪增强，飞机元件仿真和飞机组件故障检测 |
|
汽车自动引导系统，保修活动分析 |
|
检查和其他文档阅读和信用申请评估 |
|
武器转向，目标跟踪，对象辨别，面部识别，传感器新的传感器，雷达和图像信号处理，包括数据压缩，特征提取和噪声抑制，以及信号/图像识别 |
|
代码序列预测，集成电路芯片布局，过程控制，芯片故障分析，机器视觉，语音合成和非线性建模 |
|
动画，特效和市场预测 |
|
房地产评估，贷款咨询，抵押贷款筛选，企业债券等级，信用额度分析，信用卡活动跟踪，投资组合交易计划，企业财务分析和货币价格预测 |
|
对工业过程的预测，例如炉子的输出气体，在过去代替用于此目的的复杂和昂贵的设备 |
|
政策应用评估和产品优化 |
|
制造过程控制，产品设计和分析，过程和机器诊断，实时粒子识别，视觉质量检测系统，啤酒测试，焊接质量分析，纸质质量预测，计算机芯片质量分析，磨削操作分析，化学产品设计分析，机器维护分析，项目招标，规划和管理，以及化学过程系统的动态建模 |
|
乳腺癌细胞分析，EEG和ECG分析，假体设计，移植时间的优化，医院费用减少，医院质量改进和急诊室测试建议 |
|
勘探 |
|
轨迹控制，叉车机器人，机械手控制器和视觉系统 |
|
市场分析，自动债券等级和股票交易咨询系统 |
|
语音识别，语音压缩，元音分类和文本到语音合成 |
|
图像和数据压缩，自动信息服务，语言的实时翻译和客户支付处理系统 |
|
卡车制动诊断系统，车辆调度和路由系统 |
浅神经网络设计步骤
在本主题的剩余部分中，您将遵循设计神经网络的标准步骤，以解决四个应用领域的问题：功能拟合，模式识别，聚类和时间序列分析。任何这些问题的工作流程都有七个主要步骤。（步骤1中的数据收集，虽然重要，但通常发生在Matlab环境之外。）
收集数据
创建网络
配置网络
初始化权重和偏差
训练网络
验证网络
使用网络
您将使用以下部分中使用GUI工具和命令行操作进行以下步骤：
您还可以从以下列表中选择一个网站：
