Exponenta Banner
exponenta event banner

Прогнозирование с учетом состояния

Прогнозировать ответы с использованием обученной рецидивирующей нейронной сети

развернуть все на странице
  • Библиотека:

  • Набор инструментов для глубокого обучения/глубокие нейронные сети

  • Stateful Predict block

Описание

Блок предсказания состояния предсказывает ответы для данных на входе, используя обученную повторяющуюся нейронную сеть, заданную через параметр блока. Этот блок позволяет загружать предварительно обученную сеть в модель Simulink ® из MAT-файла или из функции MATLAB ®. Этот блок обновляет состояние сети с каждым предсказанием.

Порты

Вход

развернуть все

Входные порты блока прогнозирования состояния принимают имена входных уровней загруженной сети. На основе загруженной сети входными данными в блок прогнозирования могут быть данные последовательности или временных рядов.

Размеры числовых массивов, содержащих последовательности, зависят от типа данных.

ВходОписание
Векторные последовательностиматрицы c-by-s, где c - число признаков последовательностей, а s - длина последовательности.
2-D последовательности изображениймассивы h-by-w-by-s, где h, w и c соответствуют высоте, ширине и количеству каналов изображений, соответственно, и s - длина последовательности.

Продукция

развернуть все

Выходной порт блока прогнозирования состояния принимает имена выходных уровней загруженной сети. На основе загруженной сети выходные данные блока прогнозирования с учетом состояния могут представлять прогнозируемые оценки или отклики.

Для классификации «последовательность-метка» выводом является матрица N-by-K, где N - количество наблюдений, а K - число классов.

Для задач классификации последовательности к последовательности выводом является матрица баллов K-by-S, где K - количество классов, а S - общее количество временных шагов в соответствующей входной последовательности.

Параметры

развернуть все

Укажите источник обучаемой рекуррентной нейронной сети. Обученная сеть должна иметь по крайней мере один повторяющийся уровень (например, сеть LSTM). Выберите один из следующих вариантов:

  • Network from MAT-file- Импорт обученной повторяющейся нейронной сети из MAT-файла, содержащего SeriesNetwork, DAGNetwork, или dlnetwork объект.

  • Network from MATLAB function- Импорт предварительно обученной рецидивирующей нейронной сети из функции MATLAB.

Этот параметр определяет имя MAT-файла, содержащего обучаемую рекуррентную нейронную сеть для загрузки. Если файл отсутствует в пути MATLAB, используйте кнопку «Обзор» для поиска файла.

Зависимости

Чтобы включить этот параметр, установите для параметра Network значение Network from MAT-file.

Этот параметр определяет имя функции MATLAB для предварительно обученной рецидивирующей нейронной сети.

Зависимости

Чтобы включить этот параметр, установите для параметра Network значение Network from MATLAB function.

Укажите время выборки в качестве значения, отличного от -1. Дополнительные сведения см. в разделе Указание времени образца (Simulink).

Примеры модели

Predict and Update Network State in Simulink

Прогнозирование и обновление состояния сети в Simulink

Прогнозировать ответы для обученной рецидивирующей нейронной сети в Simulink ® с использованием Stateful Predict блок. В этом примере используется предварительно обученная сеть долговременной памяти (LSTM).

Расширенные возможности

..

См. также

| |

Представлен в R2021a

Документация по инструментам для глубокого обучения

Поддержка