train

Последовательный порядок инкрементное обучение с изучением функций

Синтаксис

net.trainFcn = 'trains'
[net,tr] = train(net,...)

Описание

trains не называется непосредственно. Вместо этого это вызвано train для сетей, свойство net.trainFcn которых установлено в 'trains', таким образом:

net.trainFcn = 'trains' устанавливает свойство сети trainFcn.

[net,tr] = train(net,...) обучает сеть с trains.

trains обучает сеть с весом и правила изучения смещения с последовательными обновлениями. Последовательность входных параметров представлена сети с обновлениями, происходящими после каждого временного шага.

Этот инкрементный учебный алгоритм обычно используется для адаптивных приложений.

Обучение происходит согласно параметрам обучения trains, показанным здесь с их значениями по умолчанию:

net.trainParam.epochs

1000

Максимальное количество эпох, чтобы обучаться

net.trainParam.goal0

Цель производительности

net.trainParam.show

25

Эпохи между отображениями (NaN ни для каких отображений)

net.trainParam.showCommandLine

false

Сгенерируйте командную строку вывод

net.trainParam.showWindow

true

Покажите учебный графический интерфейс пользователя

net.trainParam.time

Inf

Максимальное время, чтобы обучаться в секундах

Сетевое использование

Можно создать стандартную сеть, которая использует trains для адаптации путем вызова perceptron или linearlayer.

Подготовить пользовательскую сеть, чтобы адаптироваться с trains,

  1. Установите net.adaptFcn на 'trains'. Это устанавливает net.adaptParam на параметры trains по умолчанию.

  2. Установите каждый net.inputWeights{i,j}.learnFcn на функцию изучения. Установите каждый net.layerWeights{i,j}.learnFcn на функцию изучения. Установите каждый net.biases{i}.learnFcn на функцию изучения. (Вес и параметры изучения смещения автоматически установлены в значения по умолчанию для данного изучения функции.)

Позволить сети адаптироваться,

  1. Установите вес и параметры изучения смещения к требуемым значениям.

  2. Вызовите adapt.

Смотрите help perceptron и help linearlayer для примеров адаптации.

Алгоритмы

Каждый вес и смещение обновляются согласно его изучению функции после каждого временного шага во входной последовательности.

Смотрите также

| | |

Представлено до R2006a

Для просмотра документации необходимо авторизоваться на сайте