定义浅神经网络结构
定义浅层神经网络的结构和算法
功能
网络 |
创建自定义浅神经网络 |
例子及如何
自定义神经网络
创建和学习一个神经网络对象的基本组件。
学习如何手动配置网络之前，使用培训配置函数。
了解输入数据结构的格式如何影响网络模拟。
使用其属性自定义网络架构，并使用和培训自定义网络。
历史和替代神经网络
设计一个自适应线性系统，以响应其环境的变化，因为它是运行。
学习用于简单分类问题的感知器网络的架构、设计和训练。
训练了一个双输入硬极限神经元将4个输入向量分成两类。
训练了一个2输入硬极限神经元，将5个输入向量分成两类。
训练了一个2输入硬极限神经元，将5个输入向量分成两类。
一个2输入硬极限神经元不能正确地分类5个输入向量，因为它们是线性不可分的。
学习设计和使用径向基网络。
这个例子使用NEWRB函数来创建一个近似由一组数据点定义的函数的径向基网络。
训练一个径向基网络来响应特定的输入和目标输出。
训练一个径向基网络来响应特定的输入和目标输出。
这个例子使用了NEWGRNN和SIM函数。
这个示例使用了NEWPNN和SIM函数。
使用概率神经网络来处理分类问题。
学习设计用于函数逼近的广义回归神经网络(GRNN)。
创建并训练一个学习向量量化(LVQ)神经网络。
训练LVQ网络，根据给定目标对输入向量进行分类。
设计一个线性网络，当给定一组输入向量时，产生相应的目标向量输出。
这个例子说明了如何设计一个线性神经元，在给定最后五个值的情况下预测时间序列中的下一个值。
这个例子展示了自适应线性层如何学习预测信号中的下一个值，给定当前值和最后四个值。
概念
学习神经网络设计过程中的主要步骤。
了解单输入神经元，这是神经网络的基本组成部分。
学习单层和多层网络的体系结构。
使用模板函数创建自定义函数，控制算法来初始化、模拟和训练您的网络。
您也可以从以下列表中选择一个网站:
