主要内容
建立和训练前馈神经网络
这个例子展示了如何训练一个前馈神经网络来预测温度。
从气象站的ThingSpeak频道读取数据
ThingSpeak频道12397包含来自马萨诸塞州纳蒂克MathWorks®气象站的数据。每分钟采集一次数据。字段2、3、4和6分别包含风速(英里)、相对湿度、温度(F)和大气压(inHg)数据。使用。从通道12397读取数据thingSpeakRead函数。
data = thingSpeakRead (12397“字段”，[2 3 4 6]，“DateRange”[datetime (2018年1月7日的)、日期时间(2018年1月9日的)),．..“outputFormat”，“表”）；
分配输入变量和目标值
分配输入变量，并计算从温度和相对湿度作为目标的露点。将温度从华氏温度转换为摄氏温度，并指定水蒸气(b)和气压(c)的常数。计算中间值'gamma'，并为网络指定目标值。
输入= [data.Humidity ';data.TemperatureF ';data.PressureHg ';data.WindSpeedmph ');tempC = (5/9) * (data.TemperatureF-32);b = 17.62;c = 243.5;gamma = log(data.Humidity/100) + b*tempC ./ (c+tempC);露点= c*gamma ./ (b-gamma);露点tf =(露点tc *1.8) + 32; targets = dewPointF';
建立和训练两层前馈网络
使用feedforwardnet函数创建两层前馈网络。该网络有一个包含10个神经元的隐藏层和一个输出层。使用火车函数，利用输入训练前馈网络。
网= feedforwardnet (10);(净,tr) =火车(净、输入目标);
使用训练过的模型预测数据
网络经过训练和验证后，可以使用网络对象来计算网络对任何输入的响应，在本例中是第五个输入数据点的露点。
=净输出(输入(:,5))
输出= -15.6383
另请参阅
功能
thingSpeakRead|feedforwardnet(深度学习工具箱)|火车(深度学习工具箱)
你也可以从以下列表中选择一个网站:
