用两层前馈网络解决拟合问题
的神经网络拟合应用程序让你创建,可视化,并训练一个两层前馈网络,以解决数据拟合问题。
使用这个应用程序,你可以:
从文件导入数据,MATLAB®工作区,或者使用一个示例数据集。
将数据分解为训练、验证和测试集。
定义和训练神经网络。
使用均方误差和回归分析评估网络性能。
使用可视化图分析结果,如回归拟合或误差直方图。
生成MATLAB脚本,以再现结果和定制培训过程。
生成适合部署的函数MATLAB编译器™和MATLAB编码器™工具,并导出到Simulink金宝app®使用金宝app仿真软件编码器.
MATLAB工具条:关于应用程序选项卡,在机器学习和深度学习,单击应用程序图标。
MATLAB命令提示符:输入nftool
.
的神经网络拟合App提供内置的训练算法,你可以用它来训练你的神经网络。
训练算法 | 描述 |
---|---|
Levenberg-Marquardt | 根据Levenberg-Marquardt优化更新权重和偏差值。Levenberg-Marquardt训练通常是最快的训练算法,尽管它确实比其他技术需要更多的记忆。 为了实现这个算法,神经网络拟合应用程序使用 |
贝叶斯正则化 | 贝叶斯正则化根据Levenberg-Marquardt优化更新权重和偏差值。然后,它将平方误差和权值的组合最小化,并确定正确的组合,从而产生一个泛化良好的网络。这种算法通常需要更长的时间,但擅长泛化到噪声或小数据集。 为了实现这个算法,神经网络拟合应用程序使用 |
缩放共轭梯度反向传播 |
缩放共轭梯度反向传播根据缩放共轭梯度法更新权值和偏差值。对于大问题,推荐使用比例共轭梯度,因为它使用梯度计算,比Levenberg-Marquardt或贝叶斯正则化使用的雅可比计算更有内存效率。 为了实现这个算法,神经网络拟合应用程序使用 |