神经网络(也称人工神经网络)是一种自适应系统,它通过类似人脑的分层结构,使用相互连接的节点或神经元进行学习。神经网络可以从数据中学习,因此可以训练它识别模式,对数据进行分类,并预测未来事件。
神经网络将输入分解成抽象层。例如,它可以像人类大脑一样,通过许多例子训练来识别语言或图像中的模式。它的行为是由其各个元素的连接方式以及这些连接的强度或权重来定义的。在训练过程中,这些权重会根据指定的学习规则自动调整,直到人工神经网络正确地执行所需的任务。
神经网络尤其适合执行模式识别识别和分类在语音,视觉和控制系统中的对象或信号。它们也可以用于执行时间序列预测和建模。
下面是关于如何人工神经网络使用的几个例子:
神经网络结合了几个处理层,使用简单的元素并行操作,并受到生物神经系统的启发。它由一个输入层、一个或多个隐藏层和一个输出层组成。每一层都有几个节点或神经元,每一层使用前一层的输出作为其输入,因此神经元将不同层连接起来。每个神经元通常都有在学习过程中调整的权重,随着权重的减少或增加,它会改变该神经元信号的强度。
分类是一种监督机器学习,其中算法“学习”以从标记数据的示例对新的观测分类。
回归模型描述一个响应(输出)变量和一个或多个预测(输入)变量之间的关系。
模式识别是人工神经网络在计算机视觉、雷达处理、语音识别和文本分类等方面应用的重要组成部分。它的工作原理是根据关键特征将输入数据分类为对象或类,使用监督或非监督分类。
例如,在计算机视觉中,监督模式识别技术被用于光学字符识别(OCR)、人脸检测、人脸识别、目标检测和目标分类。在图像处理和计算机视觉中,无监督模式识别技术被用于目标检测和图像分割。
无监督学习
无监督神经网络通过让神经网络不断调整自己以适应新的输入来训练。它们被用来从没有标记响应的输入数据组成的数据集中得出推论。您可以使用它们来发现数据中的自然分布、类别和类别关系。
聚类是一种无监督学习方法,利用人工神经网络进行探索性数据分析,发现数据中隐藏的模式或分组。这个过程涉及到根据相似性对数据进行分组。申请聚类分析包括基因序列分析、市场研究和对象识别。
有了管理大型数据集的工具和功能,MATLAB®提供专业的工具箱与机器学习,人工神经网络,深度学习,计算机视觉和自动驾驶工作。
只需几行代码,MATLAB就可以让您开发神经网络,而无需成为专家。快速入门,创建并可视化模型,并将模型部署到服务器和嵌入式设备。
有了MATLAB,您可以将结果集成到现有的应用程序。MATLAB自动化企业系统,集群,云和嵌入式设备部署的人工神经网络模型。
每个神经网络的应用是独一无二的,但在网络中开拓通常遵循以下步骤:
MATLAB和深度学习工具箱提供的命令行功能和应用程序,用于创建,培训和模拟浅神经网络。该应用程序可以很容易地开发神经网络的任务,如分类,回归(包括时间序列回归),和集群。这些工具中创建网络后,可以自动生成MATLAB代码捕捉到你的工作和任务自动化。
预处理网络输入和目标提高了浅层神经网络训练的效率。后处理使网络性能详细的分析。MATLAB和金宝app®提供工具帮助您:
提高网络的能力来概括有助于防止过度拟合,人工神经网络设计的常见问题。过拟合当网络已经记忆训练集,但还没有学会推广到新的输入发生。当新的数据提供给网络的过度拟合产生训练集,但更大的误差比较小的错误。了解有关你的方式使用交叉验证,以避免过度拟合。
两种解决金宝搏官方网站方案,以提高泛化包括: