idFeedforwardNetwork
非线性ARX模型的多层前馈神经网络映射函数(需要深度学习工具箱）
描述
一个idFeedforwardNetwork对象实现了神经网络函数，是估计非线性ARX模型的非线性映射对象。这个映射对象允许您使用网络(深度学习工具箱)在非线性ARX模型中使用深度学习工具箱™创建的对象。
数学上,idFeedforwardNetwork是映射的函数吗米输入X（t) = [x（t1)，x2（t),…x米（t)]T到标量输出y（t)，使用在深度学习工具箱中定义的多层前馈(静态)神经网络。
您可以使用以下命令创建多层前馈神经网络feedforwardnet(深度学习工具箱)，cascadeforwardnet(深度学习工具箱)而且linearlayer(深度学习工具箱)．当你创建网络时，
将输入和输出大小指定为未知，将它们保留为默认值零(推荐的方法)。方法估计非线性ARX模型时
nlarx命令时，软件自动确定网络的输入和输出大小。通过将输入和输出范围设置为手动初始化大小米分别为-by-2和1 by-2矩阵，其中米为非线性ARX模型回归量的个数，范围值分别为回归量的最小值和输出数据的最大值。
看到例子获取更多信息。
使用评估(net_estimator x)方法定义的函数的值idFeedforwardNetwork对象net_estimator在输入值处x．当用于非线性ARX模型估计时，x属性的输出的模型回归器idFeedforwardNetwork对象被指定为非线性估计器。
你不能使用idFeedforwardNetwork当焦点选项nlarxOptions是“模拟”因为潜在的网络对象被认为是不可微的估计。最小化仿真误差需要可微非线性函数。
使用idFeedforwardNetwork的值OutputFcn的属性idnlarx模型。例如，指定idFeedforwardNetwork当你估计idnlarx使用以下命令进行建模。
sys = nlarx(数据，回归器，idFeedforwardNetwork)
nlarx估计模型，它本质上估计参数idFeedforwardNetwork函数。
创建
描述
net_estimator= idFeedforwardNetwork (网络）网络这是用一个神经网络命令创建的feedforwardnet，cascadeforwardnet,或linearlayer．网络必须表示输入和输出之间的静态映射，没有I/O延迟或反馈。网络的输出数量，如果分配，必须设置为1。对于一个多输出非线性ARX模型，创建一个单独的idFeedforwardNetwork对象，即输出函数的每个元素必须表示一个单输出网络对象。
属性
例子
利用前馈神经网络创建非线性映射对象
创建一个神经网络映射对象，该对象使用具有三个隐藏层的前馈神经网络，类型的传递函数logsig，radbas,purelin，以及未知的输入和输出大小。
创建一个神经网络。
Net = feedforwardnet([4 6 1]);net.layers{1}。transferFcn =“logsig”；net.layers{2}。transferFcn =“radbas”；net.layers{3}。transferFcn =“purelin”；
查看组网图。
视图(净)
创建一个神经网络映射对象。
net_estimator = idFeedforwardNetwork(net);
利用前馈神经网络映射对象估计非线性ARX模型
创建一个输入和输出大小未知的单层级联转发网络，并使用该网络进行非线性ARX模型估计。
创建一个具有20个神经元和未知输入/输出大小的级联向前神经网络。
Net = cascadeforwardnet(20);
创建前馈神经网络映射对象。
net_estimator = idFeedforwardNetwork(net);
加载估计数据。
负载twotankdata数据= iddata(y,u,0.2);
估计一个非线性ARX模型sys．
Sys = nlarx(data，[2 2 1]，net_estimator);
将模型响应与测量输出信号进行比较。
比较(数据、系统)
实测信号与仿真模型输出信号吻合较好。
初始化神经网络非线性估计器的输入输出大小
根据估计数据初始化两层前馈神经网络的输入输出大小，并将该网络用于非线性ARX估计。
负载估计数据。
负载iddata7z7Z7 = Z7 (1:200);
创建一个没有非线性的模板非线性ARX模型。
Model = idnlarx([4 4 4 1 1]，[]);
该模型有六个回归量，并用于定义回归量。中输入-输出数据的回归值范围z7然后用于设置神经网络对象中的输入范围，如下面的步骤所示。
获得模型回归值。
R = getreg(模型，“所有”, z7);R = R.变量;
创建一个两层前馈神经网络，并将网络输入和输出维度分别初始化为2和1。第一层使用5个神经元，第二层使用7个。
Net = feedforwardnet([5 7]);
确定输入范围。
InputRange = [min(R);max(R)].';
初始化估计器的输入维度。
net.inputs{1}。range = InputRange;
确定输出范围。
OutputRange = [min(z7.OutputData)，max(z7.OutputData)];
初始化估计器的输出维数和训练函数的选择。
net.outputs {net.outputConnect}。range = OutputRange;网trainFcn =“trainbfg”；
创建一个神经网络非线性估计器。
net_estimator = idFeedforwardNetwork(net);
在模型中指定非线性估计器。
模型。非线性= net_estimator;
估计网络参数，使数据与模型之间的预测误差最小化。估计模型。
模型= nlarx(z7，模型);
比较模型对测量输出信号的预测响应。
比较(z7(1:10 0),模型1)
算法
的nlarx命令使用火车方法网络对象，在深度学习工具箱软件中定义，以计算网络参数值。
兼容性的考虑
您也可以从以下列表中选择一个网站:
