神经网络时间序列 | 通过训练动态神经网络解决非线性时间序列问题 |
timedelaynet |
时滞神经网络 |
narxnet |
具有外部输入的非线性自回归神经网络 |
narnet |
非线性自回归神经网络 |
layrecnet |
层递归神经网络 |
distdelaynet |
分布式网络延迟 |
火车 |
训练浅神经网络 |
gensim |
生成金宝app块浅层神经网络仿真 |
adddelay |
在神经网络响应中加入延迟 |
removedelay |
消除神经网络响应的延迟 |
closeloop |
将神经网络开环反馈转化为闭环反馈 |
openloop |
将神经网络闭环反馈转化为开环反馈 |
ploterrhist |
情节错误直方图 |
plotinerrcorr |
绘制输入误差时间序列互相关 |
plotregression |
情节线性回归 |
plotresponse |
绘制动态网络时间序列响应 |
ploterrcorr |
绘制误差时间序列的自相关关系 |
genFunction |
生成MATLAB模拟浅层神经网络的函数 |
使用神经网络时间序列应用程序和命令行函数进行时间序列预测。
学习设计聚焦时滞神经网络(FTDNN)用于时间序列预测。
学习多步神经网络预测。
创建并训练带有外生输入的非线性自回归网络(NARX)。
创建并训练一个动态网络,即LRN (layer - recursive network)。
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。
这个例子说明了NARX(外部输入的非线性自回归)神经网络如何建模一个磁悬浮动力学系统。
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。
学习前馈和循环网络是如何工作的。
管理在几个短序列中可用的时间序列数据。
学习如何使用效用函数来操作神经网络数据。
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。