与NARX和时滞网络的建模和预测
解决使用动态神经网络时间序列问题,包括与反馈网络
应用程序
神经网络时间序列 | 使用动态神经网络解决非线性时间序列问题 |
功能
timedelaynet |
时间延迟神经网络 |
narxnet |
非线性自回归神经网络与外部输入 |
narnet |
非线性自回归神经网络 |
layrecnet |
层递归神经网络 |
distdelaynet |
分布式网络延迟 |
火车 |
火车浅神经网络 |
gensim |
生成金宝app块浅神经网络模拟 |
adddelay |
添加延迟神经网络响应 |
removedelay |
消除神经网络延迟的反应 |
closeloop |
将神经网络开环闭环反馈 |
openloop |
将神经网络开环闭环反馈 |
ploterrhist |
情节错误直方图 |
plotinerrcorr |
分析输入错误时间序列的互相关 |
plotregression |
情节线性回归 |
plotresponse |
情节动态网络时间序列响应 |
ploterrcorr |
误差自相关时间序列 |
genFunction |
生成MATLAB函数模拟浅神经网络 |
例子和如何
基本设计
- 浅神经网络时间序列预测和建模
让使用神经网络的时间序列预测时间序列应用程序和命令行功能。 - 设计时间序列时滞神经网络
学会设计集中时滞神经网络(FTDNN)时间序列预测。 - 神经网络多步预测
学习神经网络多步预测。 - 设计时间序列NARX神经网络的反馈
创建和列车非线性自回归网络与外源输入(NARX)。 - 设计Layer-Recurrent神经网络
创建和列车的动态网络Layer-Recurrent网络(LRN)。 - 部署浅神经网络功能
使用MATLAB模拟训练和部署浅神经网络®工具。 - 部署浅神经网络的训练
学习如何部署浅神经网络的训练。 - 磁悬浮建模
这个例子说明了一个NARX(非线性自回归与外部输入)神经网络可以一块磁铁悬浮动力系统模型。
培训可伸缩性和效率
- 浅神经网络并行计算和GPU计算
使用并行和分布式计算加速神经网络训练和模拟和处理大数据。 - 自动保存检查点在神经网络训练
将中间结果保存到保护长距离训练的价值。 - 优化神经网络的训练速度和内存
提高神经网络的训练效率。
最优解金宝搏官方网站
- 选择神经网络的输入-输出处理功能
预处理输入和目标更有效的培训。 - 配置浅神经网络输入和输出
学习如何手动配置网络训练之前使用配置
函数。 - 把最优的神经网络训练数据
使用函数来将数据划分为训练,验证集和测试集。 - 选择一个多层神经网络训练功能
比较的训练算法在不同的问题类型。 - 改善浅神经网络泛化,避免过度拟合
学习方法来提高泛化,防止过度拟合。 - 神经网络训练误差的权重
学习如何使用错误加权训练神经网络。 - 规范化的多个输出错误
学习如何适应输出元素不同范围的值。
概念
- 动态神经网络如何工作的呢
学习前馈和复发性网络工作。
- 多个序列动态神经网络
管理时间序列数据在几个短序列可用。
- 神经网络时间序列公用事业
学习如何用效用函数来操纵神经网络数据。
- 浅神经网络的样本数据集
试验时使用的样本数据集列表浅神经网络。
- 神经网络对象属性
学习属性定义一个网络的基本特性。
- 神经网络子对象属性
学习属性定义网络细节如输入,层,输出,目标,偏见,和权重。