神经网络是一种自适应系统,学习通过使用互连节点。神经网络是有用的在许多应用程序中,您可以使用它们为集群、分类、回归、时间序列预测。在这个视频中,你会穿过一个例子显示了神经网络是什么以及如何使用MATLAB®。视频概述如何训练一个神经网络分类人类活动基于智能手机的传感器数据。
您还将了解如何创建一个网络;准备数据;火车,验证和改善你的网络;和更新您的网络并将其部署。
你好,欢迎回到另一个MATLAB视频。今天我们要讨论神经网络,我们将训练一个分类人类活动基于智能手机的传感器数据。
神经网络是有用的在许多应用程序中,它们可以用于集群、分类、回归、时间序列预测。
一个神经网络是一个自适应系统,学习通过使用互连节点。
神经网络由一个或多个层。它们包括至少3层:输入层、隐藏层和输出层。
在一般情况下,该算法涉及到一系列的数学运算,计算每个节点的输入的加权和。
层中的每个神经元可调节重量的输入和一个可调的偏见。
神经网络的运作(训练)通过调整这些重量和偏见和最小化误差在整个训练阶段获得更准确的结果。
让我们进一步讨论这个演示
这个示例使用传感器数据包含测量来自智能手机在做5种不同活动时所穿的人——走路,坐,躺,楼上和楼下散步。
这个分析的目的是建立一个模型来自动识别活动类型的传感器测量,使用神经网络。
我们第一次导入数据集,其中包含活动标签和统计测量的传感器。
在这种情况下,我们是解决分类问题,将创建一个模式识别的神经网络。
有不同的功能来创建各种类型的网络。使用文档来确定功能和更多地了解网络的类型。
让我们创建一个简单的模式识别前馈网络的默认值。
创建网络
在这种情况下,我们是解决分类问题,将创建一个模式识别的神经网络。
有不同的功能来创建各种类型的网络。使用文档来确定功能和更多地了解网络的类型。
让我们创建一个简单的模式识别前馈网络的默认值。
网络变量包含的信息参数和方程和模型火车将被更新。
你可以想象网络。默认值是10在一个隐层神经元。
您可以访问层信息,包括重量和偏见。目前这些都是空的,因为我们还没有训练模型。
接下来,我们将把培训的比例,验证和测试数据。网络使用这些信息来评估的准确性和优化参数在训练。
我们可以训练网络之前,数据必须做好准备
模式识别网络预计沿着行和观测变量的列。我们可以简单的转置数据在我们的示例中为实现这一目标的安排。
这种类型的网络,预测和响应,或者X和Y变量必须是一个数字。您可以使用一个哑变量代表分类数据,喜欢活动,1和0的一个矩阵。
现在我们已经准备好使用训练数据训练网络!
您可以检查进展在网络训练和早期如果需要停止。
现在,网络已经完成培训和包含更新的参数值,从数据。
记得有一个隐藏层与10个节点和一个输出层。我们的数据集有5类,所以有5个输出节点。
重量和偏见已经更新的值确定的培训。
现在我们可以测试网络使用测试数据和预测活动。
结果是一个属于每个类的分数。
我们可以确定预测类并将数值转换为原始标签进行比较。
发现的准确性和情节分类混淆矩阵来评估。
铺设和坐着几乎所有正确分类。虽然大多数是正确的,不同类型的行走偶尔会被归类为另一个。
这似乎是一个不错的网络与合理的错误分类,但是你可以探索提高更多。
有很多策略来提高网络。
我们可以尝试更新一些参数进行训练和评估网络。有关详细信息,请参阅文档的参数不同的网络。
这里没有多少改善输出。我们可以继续做出调整或尝试不同类型的网络。
例如,您可以创建一个网络有更多的隐藏层,或深神经网络。有许多类型的深层网络深度学习MATLAB和资源支持。金宝app更多信息,请查看下面的链接描述。
总有改进的空间,但这种模式似乎表现良好足够的准确率达到了92%。现在我们可以采取措施准备在生产环境中使用该模型或与系统集成。
当部署,你捕捉你走进一个函数,还需要保存网络或重新创建它。
你可以生成一个MATLAB函数或模拟神经网络的模型图。金宝app使用genfunction创建神经网络包括所有设置,重量和偏差值,函数和计算在一个MATLAB函数文件中。
现在我们的神经网络可用于仿真软件模型或包含在一个应用程序编写的C / c++, Ja金宝appva、Python和更多。看到文档了解更多信息。
现在,我们有了更深层次的了解MATLAB的神经网络,我们可以更有效地训练和评估这些模型。
更多的练习,你可以搜索文档的例子。
谢谢收看,我看到你在另一个视频。
你也可以从下面的列表中选择一个网站:
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。