主要内容

模式识别

训练神经网络从示例输入和它们的类中进行泛化,训练自动编码器

应用程序

神经网络模式识别 通过训练一个两层前馈网络对数据进行分类

Autoencoder Autoencoder类

功能

全部展开

nprtool 神经网络模式识别工具
视图 浅神经网络
trainAutoencoder 火车一个autoencoder
trainSoftmaxLayer 训练一个用于分类的softmax层
解码 解码编码的数据
编码 编码输入数据
预测 使用训练过的自动编码器重建输入
堆栈 从几个自动编码器堆栈编码器在一起
网络 转换Autoencoder对象进网络对象
patternnet 生成模式识别网络
lvqnet 学习向量量化神经网络
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
均方误差 均方归一化误差性能函数
中华民国 接受者操作特性
plotconfusion 图分类混淆矩阵
ploterrhist 情节错误直方图
plotperform 情节网络性能
plotregression 情节线性回归
plotroc 绘图接收机工作特性
plottrainstate Plot training状态值
crossentropy 神经网络的性能
genFunction 生成MATLAB模拟浅神经网络的函数

例子和如何做

基本设计

用浅层神经网络分类模式

使用神经网络进行分类。

部署浅神经网络功能

使用MATLAB仿真和部署训练过的浅神经网络®工具。

浅神经网络的部署训练

学习如何部署浅神经网络的训练。

培训可扩展性和效率

基于并行和GPU计算的浅神经网络

使用并行和分布式计算来加快神经网络的训练和模拟,并处理大数据。

神经网络训练过程中自动保存检查点

保存中间结果以保护长时间训练的价值。

最优解金宝搏官方网站

选择神经网络输入输出处理函数

预处理输入和目标,以更有效的培训。

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。

最优神经网络训练的数据分割

使用函数将数据划分为训练、验证和测试集。

选择多层神经网络训练函数

不同问题类型的训练算法比较。

改进浅神经网络泛化,避免过拟合

学习改进泛化和防止过拟合的方法。

用误差权值训练神经网络

学习在训练神经网络时如何使用误差加权。

多个输出的归一化错误

学习如何使用不同范围的值来适应输出元素。

分类

蟹的分类

这个例子演示了使用神经网络作为分类器,从螃蟹的物理维度来识别螃蟹的性别。

葡萄酒的分类

这个例子说明了模式识别神经网络如何根据葡萄酒的化学特征对葡萄酒进行分类。

癌症检测

这个例子展示了如何训练神经网络来检测癌症使用质谱数据的蛋白质谱。

字符识别

这个例子说明了如何训练神经网络来执行简单的字符识别。

Autoencoders

训练堆叠自动编码器的图像分类

这个例子展示了如何训练堆叠的自动编码器对数字图像进行分类。

概念

神经网络设计工作流

学习神经网络设计过程中的主要步骤。

神经网络设计的四个层次

学习使用不同层次的神经网络功能。

多层浅层神经网络和反向传播训练

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。

多层浅层神经网络结构

学习多层浅层神经网络的结构。

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。

浅神经网络的样本数据集

浅层神经网络实验时使用的样本数据集列表。

神经网络对象属性

学习定义网络基本特征的属性。

神经网络子对象属性

学习定义网络细节的属性,如输入、层次、输出、目标、偏差和权重。