Если у вас есть входные данные с неизвестными значениями, можно представлять их с NaN значения. Например, вот пять векторов с 2 элементами с неизвестными значениями в первом элементе двух из векторов:

p1 = [1 NaN 3 2 NaN; 3 1 -1 2 4];

Сеть не сможет обработать NaN значения правильно. Используйте функциональный fixunknowns преобразовать каждую строку с NaN значения (в этом случае только первая строка) в две строки, которые кодируют ту же самую информацию численно.

[p2,ps] = fixunknowns(p1);

Вот то, как первая строка значений была повторно закодирована как две строки.

p2 =
   1  2  3  2  2
   1  0  1  1  0
   3  1 -1  2  4

Первая новая строка является исходной первой строкой, но со средним значением для той строки (в этом случае 2) заменяя весь NaN значения. Элементами второй новой строки является теперь любой 1, указание на исходный элемент было известным значением или 0 указание, что это было неизвестно. Исходная вторая строка является теперь новой третьей строкой. Таким образом и известные и неизвестные значения закодированы численно способом, который позволяет сети быть обученной и симулированной.

Снабжая новыми данными к сети, необходимо преобразовать входные параметры таким же образом, с помощью настроек ps возвращенный fixunknowns когда это использовалось, чтобы преобразовать учебные входные данные.

p2new = fixunknowns('apply',p1new,ps);

Функциональный fixunkowns только рекомендуется для входной обработки. Неизвестные цели представлены NaN значения могут быть обработаны непосредственно алгоритмами обучения тулбокса. Например, функции производительности, используемые алгоритмами обратного распространения, распознают NaN значения как неизвестные или неважные значения.