neuralnet
Класс, представляющий средство оценки нелинейности нейронной сети для нелинейных моделей ARX
Синтаксис
net_estimator = neuralnet(Network)
Описание
neuralnet класс, который инкапсулирует средство оценки нелинейности нейронной сети. neuralnet объект позволяет вам использовать сети, созданное программное обеспечение Deep Learning Toolbox™ использования, в нелинейных моделях ARX.
Средство оценки нелинейности нейронной сети задает нелинейную функцию , где F является многоуровневый feedforward (статическая) нейронная сеть, как задано в программном обеспечении Deep Learning Toolbox. y является скаляром, и x является m- размерный вектор-строка.
Вы создаете многоуровневые нейронные сети прямого распространения с помощью команд Deep Learning Toolbox такой как feedforwardnet (Deep Learning Toolbox), cascadeforwardnet (Deep Learning Toolbox) и linearlayer (Deep Learning Toolbox). Когда вы создаете сеть:
Определяйте размеры ввода и вывода быть неизвестными путем оставления их в значении, равном нулю (рекомендуемыми метод). При оценке нелинейной модели ARX с помощью
nlarxкоманда, программное обеспечение автоматически определяет размеры ввода - вывода сети.Инициализируйте размеры вручную путем установки областей значений ввода и вывода на
m- 2 и 1 2 матрицы, соответственно, гдеmколичество нелинейных регрессоров модели ARX, и значения области значений являются минимальными и максимальными значениями регрессоров и выходных данных, соответственно.
Смотрите Примеры для получения дополнительной информации.
Используйте evaluate(net_estimator,x) вычислить значение функции, определяемой neuralnet объект net_estimator во входном значении x. Когда используется для нелинейной оценки модели ARX, x представляет регрессоры модели для выхода для который neuralnet объект присвоен как средство оценки нелинейности.
Вы не можете использовать neuralnet когда Focus опция в nlarxOptions 'simulation' потому что это средство оценки нелинейности считается недифференцируемым для оценки. Минимизация ошибки симуляции требует дифференцируемых нелинейных функций.
Конструкция
net_estimator = neuralnet(Network)Network созданное использование команды Deep Learning Toolbox feedforwardnet, cascadeforwardnet, и linearlayer. Network должен представлять статическое отображение между входными параметрами и выход без задержек ввода-вывода или обратной связи. Количество выходных параметров сети, если присвоено, должно быть тем. Для нескольких - выводит нелинейные модели ARX, создают отдельное neuralnet объект для каждого выхода — то есть, каждое средство оценки должно представлять сетевой объект одно выхода.
Свойства
Network | Объект нейронной сети, обычно созданное использование команд Deep Learning Toolbox feedforwardnet, cascadeforwardnet, и linearlayer. |
После создания объекта можно использовать get или запись через точку, чтобы получить доступ к значениям свойства объекта. Например:
% List Network property value get(n) n.Network
Можно также использовать set функционируйте, чтобы установить значение конкретных свойств. Например:
set(d, 'Network', net_obj)
set должно быть имя переменной MATLAB®.Примеры
Создайте средство оценки нелинейности Используя нейронную сеть прямого распространения
Создайте средство оценки нелинейности нейронной сети с помощью нейронной сети прямого распространения с тремя скрытыми слоями; передаточные функции типов logsig, radbas, и purelin; и неизвестные размеры ввода и вывода.
Создайте нейронную сеть.
net = feedforwardnet([4 6 1]);
net.layers{1}.transferFcn = 'logsig';
net.layers{2}.transferFcn = 'radbas';
net.layers{3}.transferFcn = 'purelin';
Просмотрите сетевой график.
view(net)
Создайте средство оценки нейронной сети.
net_estimator = neuralnet(net);
Оцените нелинейную модель ARX Используя средство оценки нелинейности нейронной сети
Создайте одноуровневую, прямую каскадом сеть с неизвестными размерами ввода и вывода и используйте эту сеть для нелинейной оценки модели ARX.
Создайте прямую каскадом нейронную сеть с 20 нейронами и неизвестными размерами ввода - вывода.
net = cascadeforwardnet(20);
Создайте средство оценки нелинейности нейронной сети.
net_estimator = neuralnet(net);
Загрузите данные об оценке.
load twotankdata
Data = iddata(y,u,0.2);Оцените нелинейную модель ARX.
Model = nlarx(Data,[2 2 1],net_estimator);
Сравните ответ модели на измеренный выходной сигнал.
compare(Data,Model)
Инициализируйте размеры ввода - вывода средства оценки нелинейности нейронной сети
Инициализируйте размеры ввода - вывода 2D слоя нейронная сеть прямого распространения на основе данных об оценке и используйте эту сеть для нелинейной оценки ARX.
Загрузите данные об оценке.
load iddata7 z7 z7 = z7(1:200);
Создайте шаблон нелинейная модель ARX без нелинейности.
model = idnlarx([4 4 4 1 1],[]);
Эта модель имеет шесть регрессоров и используется, чтобы задать регрессоры. Область значений значений регрессора для данных ввода - вывода в z7 затем используется, чтобы установить входные диапазоны в объекте нейронной сети, как показано на следующих шагах.
Получите значения регрессора модели.
R = getreg(model,'all',z7);Создайте 2D слой, нейронную сеть прямого распространения и инициализируйте сетевые размерности ввода и вывода к 2 и 1, соответственно. Используйте 5 нейронов для первого слоя и 7 для второго слоя.
net = feedforwardnet([5 7]);
Определите входной диапазон.
InputRange = [min(R);max(R)].';
Инициализируйте входные размерности средства оценки.
net.inputs{1}.range = InputRange;Определите выходную область значений.
OutputRange = [min(z7.OutputData),max(z7.OutputData)];
Инициализируйте выходные размерности средства оценки.
net.outputs{net.outputConnect}.range = OutputRange;Создайте средство оценки нелинейности нейронной сети.
net_estimator = neuralnet(net);
Задайте средство оценки нелинейности в модели.
model.Nonlinearity = net_estimator;
Оцените, что параметры сети минимизируют ошибку предсказания между данными и моделью. Модель Estimate.
model = nlarx(z7,model);
Сравните предсказанный ответ модели на измеренный выходной сигнал.
compare(z7(1:100),model,1)
Алгоритмы
nlarx команда использует train метод network объект, заданный в программном обеспечении Deep Learning Toolbox, чтобы вычислить сетевые значения параметров.
Смотрите также
customnet | nlarx | sigmoidnet | treepartition | wavenet | cascadeforwardnet (Deep Learning Toolbox) | feedforwardnet (Deep Learning Toolbox) | linearlayer (Deep Learning Toolbox)