Нелинейная авторегрессивная нейронная сеть
narnet(feedbackDelays,hiddenSizes,trainFcn)
NAR (нелинейный авторегрессивный) нейронные сети может быть обучен предсказать временные ряды от того ряда прошлые значения.
narnet(feedbackDelays,hiddenSizes,trainFcn) берет эти аргументы,
feedbackDelays | Вектор - строка из увеличения 0 или положительных задержек (значение по умолчанию = 1:2) |
hiddenSizes | Вектор - строка из одного или нескольких размеров скрытого слоя (значение по умолчанию = 10) |
trainFcn | Учебная функция (значение по умолчанию = |
и возвращает нейронную сеть NAR.
Загрузите простые данные о прогнозе timeseries и создайте сеть NAR.
T = simplenar_dataset; net = narnet(1:2,10);
Подготовьте данные временных рядов с помощью preparets и обучите сеть.
[Xs,Xi,Ai,Ts] = preparets(net,{},{},T);
net = train(net,Xs,Ts,Xi,Ai);
view(net)
Вычислите производительность сети.
[Y,Xf,Af] = net(Xs,Xi,Ai); perf = perform(net,Ts,Y)
perf = 1.0100e-09
Чтобы предсказать вывод для следующих 20 временных шагов, сначала моделируйте сеть в форме замкнутого цикла.
[netc,Xic,Aic] = closeloop(net,Xf,Af); view(netc)
Сеть только имеет вход того. В режиме замкнутого цикла этот вход соединен с выводом.
Чтобы моделировать сеть 20 временных шагов вперед, введите массив пустой ячейки длины 20. Сеть требует только начальных условий, данных в Xic и Aic.
y2 = netc(cell(0,20),Xic,Aic)
y2 =
1x20 cell array
Columns 1 through 5
{[0.8346]} {[0.3329]} {[0.9084]} {[1.0000]} {[0.3190]}
Columns 6 through 10
{[0.7329]} {[0.9801]} {[0.6409]} {[0.5146]} {[0.9746]}
Columns 11 through 15
{[0.9077]} {[0.2807]} {[0.8651]} {[0.9897]} {[0.4093]}
Columns 16 through 20
{[0.6838]} {[0.9976]} {[0.7007]} {[0.4311]} {[0.9660]}
narnet | narxnet | preparets | removedelay | timedelaynet