fitnet

函数拟合神经网络

折叠所有页面

语法

净= fitnet (hiddenSizes)

网= fitnet (hiddenSizes trainFcn)

净= fitnet (hiddenSizes）返回隐藏层大小为的神经网络拟合函数hiddenSizes．

净= fitnet (hiddenSizes，trainFcn）返回隐藏层大小为的神经网络拟合函数hiddenSizes和培训功能，由trainFcn．

打开脚本

加载训练数据。

[x, t] = simplefit_dataset;

1 -到- 94矩阵x包含输入值和1 × 94矩阵t包含关联的目标输出值。

构造一个具有10大小隐藏层的函数拟合神经网络。

网= fitnet (10);

查看网络。

视图(净)

输入和输出的大小为零。在训练过程中，软件根据训练数据调整这些尺寸。

培训网络净使用训练数据。

网=火车(净,x, t);

查看训练有素的网络。

视图(净)

你可以看到输入和输出的大小都是1。

使用训练过的网络估计目标。

y =净(x);

评估训练网络的性能。默认的性能函数是均方误差。

穿孔=执行(净,y, t)

穿孔= 1.4639 e-04

函数拟合网络的默认训练算法为Levenberg-Marquardt (“trainlm”)．使用贝叶斯正则化训练算法并比较性能结果。

网= fitnet (10,“trainbr”）;网=火车(净,x, t);y =净(x);穿孔=执行(净,y, t)

穿孔= 3.2998平台以及

贝叶斯正则化训练算法提高了网络在估计目标值方面的性能。

网络中隐藏层的大小，指定为行向量。向量的长度决定了网络中隐藏层的数量。

例子:例如，可以指定一个网络有3个隐藏层，其中第一个隐藏层大小为10，第二个隐藏层大小为8，第三个隐藏层大小为5，如下所示:(10、8、5)

输入和输出大小设置为零。在训练过程中，软件根据训练数据调整这些尺寸。

数据类型:单|双

训练函数名，指定为下列之一。