Exponenta Banner

narxnet

Нелинейная авторегрессивная нейронная сеть с внешним входом

свернуть все на странице

Синтаксис

narxnet(inputDelays,feedbackDelays,hiddenSizes,feedbackMode,trainFcn)

Описание

NARX (Нелинейный авторегрессивный с внешним входом) сети может учиться предсказывать временные ряды, данные прошлые значения тех же временных рядов, входа обратной связи и других временных рядов, названных внешними или внешними временными рядами.

narxnet(inputDelays,feedbackDelays,hiddenSizes,feedbackMode,trainFcn) берет эти аргументы,

inputDelays

Вектор-строка из увеличения 0 или положительных задержек (значение по умолчанию = 1:2)

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)

feedbackModeОдин из 'open', 'closed', или 'none' (значением по умолчанию является 'open')
trainFcn

Учебная функция (значением по умолчанию является 'trainlm')

и возвращает нейронную сеть NARX.

Примеры

свернуть все

Открыть скрипт

Разделите обучающие данные. Используйте Xnew сделать предсказание в режиме замкнутого цикла позже.

[X,T] = simpleseries_dataset;
Xnew = X(81:100);
X = X(1:80);
T = T(1:80);

Обучите сеть и симулируйте ее на первых 80 наблюдениях

net = narxnet(1:2,1:2,10);
[Xs,Xi,Ai,Ts] = preparets(net,X,{},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 =

    0.0153

Запустите предсказание для 20 временных шагов вперед в режиме замкнутого цикла.

[netc,Xic,Aic] = closeloop(net,Xf,Af);
view(netc)


y2 = netc(Xnew,Xic,Aic)

y2 =

  1x20 cell array

  Columns 1 through 5

    {[-0.0156]}    {[0.1133]}    {[-0.1472]}    {[-0.0706]}    {[0.0355]}

  Columns 6 through 10

    {[-0.2829]}    {[0.2047]}    {[-0.3809]}    {[-0.2836]}    {[0.1886]}

  Columns 11 through 15

    {[-0.1813]}    {[0.1373]}    {[0.2189]}    {[0.3122]}    {[0.2346]}

  Columns 16 through 20

    {[-0.0156]}    {[0.0724]}    {[0.3395]}    {[0.1940]}    {[0.0757]}

Смотрите также

| | | | |

Представленный в R2010b

Документация Deep Learning Toolbox
Поддержка