Утилиты timeseries нейронной сети

Существуют другие служебные функции, которые полезны при управлении данными о нейронной сети, которые могут состоять из последовательностей времени, параллельных пакетов или комбинаций обоих. Это может также включать несколько сигналов (как в нескольких входе, вывести или предназначаться для векторов). Следующая схема иллюстрирует структуру общего объекта данных нейронной сети. Для этого примера существует три временных шага пакета четырех выборок (четыре последовательности) двух сигналов. Один сигнал имеет два элемента, и другой сигнал имеет три элемента.

В следующей таблице перечислены некоторые более полезные служебные функции тулбокса для данных о нейронной сети. Они позволяют вам делать, вещам нравится, добавляют, вычитают, умножаются, делятся, и т.д. (Сложение и вычитание массивов ячеек не имеют стандартных определений, но для данных о нейронной сети эти операции четко определены и реализованы в следующих функциях.)

ФункцияОперация

gadd

Добавьте нейронную сеть (nn) данные.

gdivide

Разделите nn данные.

getelements

Выберите обозначенные элементы из nn данных.

getsamples

Выберите обозначенные выборки из nn данных.

getsignals

Выберите обозначенные сигналы из nn данных.

gettimesteps

Выберите обозначенные временные шаги из nn данных.

gmultiply

Умножьте nn данные.

gnegate

Возьмите отрицание nn данных.

gsubtract

Вычтите nn данные.

nndata

Создайте nn объект данных заданного размера, где значения присвоены случайным образом или константе.

nnsize

Возвратите число элементов, выборки, временные шаги и сигналы в nn объекте данных.

numelements

Возвратите число элементов в nn данных.

numsamples

Возвратите количество выборок в nn данных.

numsignals

Возвратите количество сигналов в nn данных.

numtimesteps

Возвратите количество временных шагов в nn данных.

setelements

Установите указанные элементы nn данных.

setsamples

Установите заданные выборки nn данных.

setsignals

Установите заданные сигналы nn данных.

settimesteps

Установите шаги требуемого времени nn данных.

Существуют также некоторые полезные функции графического вывода и анализа для динамических сетей, которые перечислены в следующей таблице. Существуют примеры использования этих функций в Начале работы с Deep Learning Toolbox.

Функция

Операция

ploterrcorr

Постройте автокорреляционную функцию ошибки.

plotinerrcorr

Постройте взаимную корреляцию между ошибкой и входом.

plotresponse

Постройте сетевой вывод и предназначайтесь по сравнению со временем.

Для просмотра документации необходимо авторизоваться на сайте