Функция, соответствующая нейронной сети
net = fitnet(hiddenSizes)hiddenSizes.
net = fitnet(hiddenSizes,trainFcn)hiddenSizes и учебная функция, заданная trainFcn.
Загрузите обучающие данные.
[x,t] = simplefit_dataset;
1 94 матричный x содержит входные значения и 1 94 матричный t содержит связанные целевые выходные значения.
Создайте функцию, соответствующую нейронной сети одним скрытым слоем размера 10.
net = fitnet(10);
Просмотрите сеть.
view(net)
Размеры ввода и вывода являются нулем. Программное обеспечение настраивает размеры их во время обучения согласно обучающим данным.
Обучите сеть net использование обучающих данных.
net = train(net,x,t);
Просмотрите обучивший сеть.
view(net)
Вы видите, что размеры ввода и вывода равняются 1.
Оцените цели с помощью обучившего сеть.
y = net(x);
Оцените эффективность обучившего сеть. Функция эффективности по умолчанию является среднеквадратической ошибкой.
perf = perform(net,y,t)
perf = 1.4639e-04
Алгоритм настройки по умолчанию для функции подходящая сеть является Levenberg-Marquardt ('trainlm' ). Используйте Байесов алгоритм настройки регуляризации и сравните результаты эффективности.
net = fitnet(10,'trainbr');
net = train(net,x,t);
y = net(x);
perf = perform(net,y,t)
perf = 3.3529e-10
Байесов алгоритм настройки регуляризации улучшает производительность сети в терминах оценки целевых значений.
Функциональный подбор кривой является процессом обучения нейронной сети на наборе входных параметров для того, чтобы произвести связанный набор целевых выходных параметров. После того, как вы создадите сеть с желаемыми скрытыми слоями и алгоритмом настройки, необходимо обучить его с помощью набора обучающих данных. Если нейронная сеть имеет подгонку данные, это формирует обобщение отношения ввода - вывода. Можно затем использовать обучивший сеть, чтобы сгенерировать выходные параметры для входных параметров, на которых это не было обучено.