网络 |
创建自定义浅神经网络 |
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。
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。
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。