Мелкие сети для распознавания образов, кластеризации и временных рядов

Нейронные сети состоят из простых элементов, действующих параллельно. Эти элементы вдохновлены биологическими нервными системами. Как по своей природе, связи между элементами в основном определяют сетевую функцию. Можно обучить нейронную сеть, чтобы выполнить конкретную функцию путем корректировки значений связей (веса) между элементами.

Как правило, нейронные сети настроены или обучены, так, чтобы конкретный вход привел к определенному целевому выходу. Следующая фигура иллюстрирует такую ситуацию. Здесь, сеть настроена, на основе сравнения выхода и цели, пока сетевой выход не совпадает с целью. Как правило, много таких пар входа/цели необходимы, чтобы обучить сеть.

Нейронные сети были обучены, чтобы выполнить комплексные функции в различных полях, включая распознавание образов, идентификацию, классификацию, речь, видение и системы управления.

Нейронные сети могут также быть обучены, чтобы решить задачи, которые затрудняют для обычных компьютеров или людей. Тулбокс подчеркивает использование парадигм нейронной сети, что сборка до — или самостоятельно используется в — разработка, финансовые, и другие практические применения.

Следующие темы объясняют, как использовать графические инструменты для того, чтобы обучить нейронные сети, чтобы решить задачи в функциональном подборе кривой, распознавании образов, кластеризации и временных рядах. Используя эти инструменты может дать вам превосходное введение в использование программного обеспечения Deep Learning Toolbox™:

Мелкие сетевые приложения и функции в Deep Learning Toolbox

Существует четыре способа, которыми можно использовать программное обеспечение Deep Learning Toolbox.

  • Первый путь через его инструменты. Можно открыть любой из этих инструментов от основного инструмента, начатого командой nnstart. Эти инструменты обеспечивают удобный способ получить доступ к возможностям тулбокса для следующих задач:

    • Подбор кривой функции (nftool)

    • Распознавание образов (nprtool)

    • Кластеризация данных (nctool)

    • Анализ Временных Рядовntstool)

  • Второй способ использовать тулбокс посредством основных операций командной строки. Операции командной строки предлагают больше гибкости, чем инструменты, но с некоторой добавленной сложностью. Если это - ваш первый опыт с тулбоксом, инструменты обеспечивают лучшее введение. Кроме того, инструменты могут сгенерировать скрипты зарегистрированного кода MATLAB®, чтобы предоставить вам шаблоны для создания ваших собственных индивидуально настраиваемых функций командной строки. Процесс использования инструментов сначала, и затем генерации и изменения скриптов MATLAB, является отличным способом узнать о функциональности тулбокса.

  • Третий способ использовать тулбокс посредством индивидуальной настройки. Эта усовершенствованная возможность позволяет вам создавать свои собственные нейронные сети при тихом наличии доступа к полной функциональности тулбокса. Можно создать сети с произвольными связями и вами все еще смочь обучить их использующий существующие функции обучения тулбокса (как долго, когда сетевые компоненты дифференцируемы).

  • Четвертый способ использовать тулбокс через способность изменить любую из функций, содержавшихся в тулбоксе. Каждый вычислительный компонент написан в коде MATLAB и полностью доступен.

Эти четыре уровня использования тулбокса охватывают новичка эксперту: простые инструменты направляют нового пользователя через определенные приложения, и сетевая индивидуальная настройка позволяет исследователям пробовать новые архитектуры с минимальным усилием. Безотносительно вашего уровня нейронной сети и знания MATLAB, существуют функции тулбокса, чтобы удовлетворить вашим потребностям.

Автоматическая генерация скриптов

Сами инструменты являются важной частью процесса обучения для программного обеспечения Deep Learning Toolbox. Они проводят вас по процессу разработки нейронных сетей, чтобы решить задачи в четырех областях важного приложения, не требуя никаких знаний в нейронных сетях или изощренности в использовании MATLAB. Кроме того, инструменты могут автоматически сгенерировать и простые и усовершенствованные скрипты MATLAB, которые могут воспроизвести шаги, выполняемые инструментом, но с опцией, чтобы заменить настройки по умолчанию. Эти скрипты могут предоставить вам шаблоны для создания индивидуально настраиваемого кода, и они могут помочь вам в том, чтобы знакомиться с функциональностью командной строки тулбокса. Это настоятельно рекомендовано это, вы используете автоматическое средство генерации скриптов этих инструментов.

Приложения Deep Learning Toolbox

Было бы невозможно покрыть общую область значений приложений, для которых нейронные сети предоставили выдающиеся решения. Остающиеся разделы этой темы описывают только несколько приложений в функциональном подборе кривой, распознавании образов, кластеризации и анализе временных рядов. Следующая таблица обеспечивает идею разнообразия приложений, для которых нейронные сети предоставляют современные решения.

Промышленность

Бизнес-приложения

Космос

Высокоэффективный автопилот самолета, симуляция угла тангажа, системы управления самолета, улучшения автопилота, симуляция элемента конструкции самолета и обнаружение отказа элемента конструкции самолета

Автомобильный

Автомобиль автоматическая система наведения и гарантийный анализ действия

Банковское дело

Проверяйте и другое чтение документа и оценка заявки на кредит

Защита

Регулирование оружия, целевое отслеживание, возражает дискриминации, распознаванию лиц, новым видам датчиков, гидролокатора, радара и обработки сигналов изображений включая сжатие данных, извлечение признаков и подавление шумов и сигнал/распознавание образов

Электроника

Предсказание кодовой последовательности, размещение кристалла интегральной схемы, управление процессом, анализ отказа микросхемы, машинное зрение, речевой синтез и нелинейное моделирование

Развлечения

Анимация, специальные эффекты и прогнозирование рынка

Финансовый

Оценка недвижимости, уведомление ссуды, ипотечное экранирование, оценка корпоративной облигации, анализ использования кредитной линии, отслеживание действия кредитной карты, портфель торговая программа, корпоративный финансовый анализ и прогноз цен валюты

Промышленный

Предсказание производственных процессов, таких как выходные газы печей, заменяя комплексное и дорогостоящее оборудование, используемое с этой целью в прошлом

Страховка

Оценка приложения политики и оптимизация продукта

Производство

Управление производственным процессом, дизайн продукта и анализ, процесс и диагноз машины, идентификация частицы в реальном времени, визуальные системы проверки качества, тестирование пива, сварочный качественный анализ, бумажное качественное предсказание, качественный анализ компьютерной микросхемы, анализ стачивающихся операций, химический анализ дизайна продукта, анализ обслуживания машины, предложение цены проекта, планирование и управление и динамическое моделирование химической системы процесса

Медицинский

Анализ ячейки рака молочной железы, EEG и анализ ECG, проект протеза, оптимизация времен пересадки, сокращение расхода больницы, повышение качества больницы и отделение скорой помощи тестируют обсуждение

Нефть и газ

Исследование

Робототехника

Управление траекторией, робот грузоподъемника, контроллеры манипулятора и системы видения

Ценные бумаги

Анализ рынка, автоматический рейтинг облигации и справочные системы продажи акций

Речь

Распознавание речи, сжатие речи, классификация гласных и синтез текста к речи

Телекоммуникации

Сжатие изображения и сжатие данных, автоматизированные информационные услуги, перевод в реальном времени разговорного языка и потребительские системы обработки платежей

Транспортировка

Системы диагноза тормоза грузовика, планирование транспортного средства и системы маршрутизации

Мелкие шаги проекта нейронной сети

В остающихся разделах этой темы вы выполните стандартные шаги для разработки нейронных сетей, чтобы решить задачи в четырех областях применения: функциональный подбор кривой, распознавание образов, кластеризация и анализ временных рядов. Поток операций для любой из этих проблем имеет семь первичных шагов. (Сбор данных на шаге 1, в то время как важный, обычно происходит вне среды MATLAB.)

  1. Соберите данные

  2. Создайте сеть

  3. Сконфигурируйте сеть

  4. Инициализируйте веса и смещения

  5. Обучите сеть

  6. Проверьте сеть

  7. Используйте сеть

Вы выполните эти шаги с помощью и инструментов GUI и операций командной строки в следующих разделах:

Для просмотра документации необходимо авторизоваться на сайте