自适应线性预测

这个例子显示了一个自适应线性层可以预测下一个价值信号,考虑到当前和过去四值。

学习如何使用深度学习网络预测时间序列数据,看看使用深度学习时间序列预测。

这里定义了两个段时间从0到6秒1/40秒的步骤。

time1 = 0:0.025:4;%从0到4秒time2 = 4.025:0.025:6;%从4到6秒时间= [time1 time2];%从0到6秒

这是一个信号从一个频率然后转换到另一个频率。

信号= (sin (time1 * 4 * pi)罪(time2 * 8 * pi)];情节(时间、信号)包含(“时间”);ylabel (“信号”);标题(信号被预测的);

图包含一个坐标轴对象。坐标轴对象与标题信号预测包含一个类型的对象。

然后转换成信号转换单元阵列。神经网络表示单元阵列的步伐为列,区分不同的样品在给定的时间,用矩阵的列表示。

= con2seq信号(信号);

设置的问题我们将使用的前五个值作为初始输入信号延迟,和其他输入。

ξ=信号(1:5);X =信号(6:结束);天美时=(6:结束时间);

现在的目标是定义匹配的输入。网络是预测当前的输入,只有使用过去五值。

T =信号(6:结束);

这个函数linearlayer创建一个线性层与单个神经元的抽头延迟过去五输入。

网= linearlayer (1:5, 0.1);视图(净)

这个函数适应模拟网络的输入,whileadjusting每个步伐在响应后其重量和偏见如何密切其输出匹配的目标。它返回更新网络,它输出,其错误。

(净,Y) =适应(净,X, T, Xi);

输出信号是策划的目标。

图绘制(天美时,cell2mat (Y),天美时,cell2mat (T)“+”)包含(“时间”);ylabel (“产出-目标+”);标题(输出和目标信号的);

图包含一个坐标轴对象。坐标轴对象标题产出和目标信号包含2线类型的对象。

这个错误也可以绘制。

图E = cell2mat (T) -cell2mat (Y);情节(天美时,E,“r”)举行从包含(“时间”);ylabel (“错误”);标题(误差信号的);

图包含一个坐标轴对象。坐标轴对象与标题误差信号包含一个类型的对象。

注意小错误除了最初的错误和网络学习系统的行为一开始后,系统过渡。

这个例子演示了如何模拟一种自适应线性网络,可以预测一个信号的下一个值从当前和过去值尽管信号的变化行为。