神经网络是其分层结构类似于在脑神经元的联网结构的计算模型,与所连接的节点的层。神经网络可以借鉴的数据,因此它可以通过训练来识别模式,分类数据,并预测未来事件。
神经网络细分广告投入的抽象层。它可以在很多例子进行培训,以识别模式在语音或图像,例如,就像人的大脑一样。其行为是由它的各个元件的连接方式和由所述强度,或权重,这些连接的限定。这些权重是根据指定的学习规则,直到神经网络执行所需的任务正常训练过程中自动调整。
神经网络结合了多种处理层,使用并行地操作和通过生物神经系统的启发简单元素。它由一个输入层的,一个或多个隐藏层,以及输出层。这些层经由节点,或神经元互连,与使用先前的层作为其输入的输出每一层。
通用机器学习设计神经网络应用技术包括监督和无监督学习,分类,回归,模式识别和集群。
监督学习
监督的神经网络被训练响应于采样输入,以产生所需的输出,使得它们特别适合用于建模和控制动力系统,噪声数据分类,并预测将来的事件。深度学习工具箱™包括四种类型的监督网络:前馈,径向基,动态和学习矢量量化。
分类是一种监督的机器学习,其中一个算法“学习”来自标记的数据的例子新的观察分类的。
回归模型描述了响应(输出)可变的,并且一个或多个预测器(输入)的变量之间的关系。
模式识别是计算机视觉,雷达处理,语音识别和文本分类神经网络应用的一个重要组成部分。它通过将数据输入对象或基于关键要素类进行分类,即使用监督或无人监督的分类。
例如,在计算机视觉,监督模式识别技术被用于光学字符识别(OCR),面部检测,面部识别,对象检测和对象分类。在图像处理和计算机视觉,非监督模式识别技术被用于物体检测和图像分割。
无监督学习
无监督神经网络通过让神经网络进行培训,不断调整自身以新的投入。它们被用于绘制从由输入数据的无标记的响应数据集的推论。您可以使用他们发现的自然分布,类别和数据中类别的关系。
深度学习工具箱包括两种类型的无监督网络:有竞争力的层和自组织地图。
聚类是一种无监督学习方法在神经网络可以用于探索性数据分析,发现数据中隐藏的模式或分组。这一过程涉及由相似性分组数据。应用程序聚类分析包括基因序列分析,市场调研,和物体识别。
用于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,神经网络,深度学习,计算机视觉和自动驾驶工作。
随着代码只需要几行,MATLAB可以开发神经网络而不专家。快速上手,创建和可视化模型和部署模型,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你的神经网络模型。
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®提供工具来帮助你:
提高网络的能力来概括有助于防止过度拟合,在神经网络的设计的通病。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。
两种解决金宝搏官方网站方案,以提高泛化包括:
使用Deep学习与工具箱MATLAB编码器™,GPU编码器™和MATLAB编译器™,您可以部署训练有素的网络,嵌入式系统,或将它们具有广泛的生产环境进行集成。您可以使用MATLAB编码器生成C和C ++代码,你训练的网络,它可以模拟在PC硬件上受过训练的网络,然后部署网络的嵌入式系统。您可以使用MATLAB编译器和MATLAB编译SDK™部署训练网络作为C / C ++共享库,微软®。.NET程序集,爪哇®类和Python®从MATLAB程序包。您也可以在部署的应用程序或组件训练的网络模型。
深度学习工具箱提供了在Simulink中建立浅神经网络的一组块。金宝app所有块兼容金宝appSimulink的编码器™。这些区块分为四个库:
或者,您可以创建并在MATLAB环境下训练你的网络,并自动生成网络模拟块与Simulink的使用。金宝app这种方法,您还可以以图形方式查看您的网络。