Нейронная сеть, заданная как сетевой объект.

Пример: net = feedforwardnet(10);

Целевые значения нейронной сети, заданные как матрица или массив ячеек с числовыми значениями. Целевые значения сети определяют желаемые выходы и могут быть заданы как N-by- Q матрица Q N-элементные векторы или M-by- TS массив ячеек, где каждый элемент является Ni-by- Q матрица. В каждом из этих случаев N или Ni указывает длину вектора, Q количество выборок, M количество сигналов для нейронных сетей с несколькими выходами и TS количество временных шагов для данных временных рядов. targets должны иметь те же размерности, что и outputs.

Столбцы целевой матрицы состоят из всех нулей и одного 1 в положении класса, представленного этим векторам-столбцам. Когда N = 1, программное обеспечение использует кросс-энтропию для двоичного кодирования, в противном случае оно использует кросс-энтропию для 1-of-N кодирования. NaN значения разрешено указывать неизвестные или не заботиться о выходных значениях. Область эффективности NaN целевые значения игнорируются.

Типы данных: double | cell

Значения выхода нейронной сети, заданные как матрица или массив ячеек с числовыми значениями. Выходные значения сети могут быть заданы как N-by- Q матрица Q N-элементные векторы или M-by- TS массив ячеек, где каждый элемент является Ni-by- Q матрица. В каждом из этих случаев N или Ni указывает длину вектора, Q количество выборок, M количество сигналов для нейронных сетей с несколькими выходами и TS количество временных шагов для данных временных рядов. outputs должны иметь те же размерности, что и targets.

Выходы могут включать в себя NaN для указания неизвестных выходных значений, предположительно полученных в результате NaN входные значения (также представляющие неизвестные или не связанные с уходом значения). Область эффективности NaN выходные значения игнорируются.

Общий случай (N > = 2): Столбцы выходной матрицы представляют оценки принадлежности к классу и должны быть равны 1. Вы можете использовать softmax передаточная функция для создания таких выходных значений. Использовать patternnet чтобы создать сети, которые уже настроены на использование перекрестной энтропийной эффективности с слоем выхода softmax.

Типы данных: double | cell

Веса эффективности, заданные как вектор или массив ячеек с числовыми значениями. Веса эффективности являются необязательным аргументом, определяющим важность каждого значения эффективности, связанного с каждым целевым значением, используя значения от 0 до 1. Значения эффективности 0 указывают на цели, которые нужно игнорировать, значения 1 указывают на цели, которые будут обрабатываться с нормальной важностью. Значения от 0 до 1 позволяют обрабатывать цели с относительной важностью.

Веса эффективности имеют много применений. Они полезны для задач классификации, чтобы указать, какие классификации (или неправильные классификации) имеют относительно большие преимущества (или затраты). Они могут быть полезны в задачах временных рядов, где получение правильного выхода на некоторых временных шагах, таких как последний временной шаг, важнее других. Веса эффективности могут также использоваться, чтобы побудить нейронную сеть наилучшим образом подогнать выборки, цели которых известны наиболее точно, придавая при этом меньшее значение мишеням, которые, как известно, являются менее точными.

perfWeights могут иметь те же размерности, что и targets и outputs. В качестве альтернативы каждая размерность весов эффективности может либо совпадать с размерностью targets и outputs, или быть 1. Для образца, если targets является N-by- Q матрица, определяющая Q выборки N- векторы элемента, веса эффективности могут быть N-by- Q указывает разную важность для каждого целевого значения или N-by- 1 определение различной важности для каждой строки целей или 1-by- Q указание различной важности для каждой выборки или скаляром 1 (т.е. 1 на 1), указывающим одинаковую важность для всех целевых значений.

Точно так же, если outputs и targets являются массивами ячеек матриц, perfWeights может представлять собой массив ячеек одинакового размера, массив строки ячеек (указывающий на относительную важность каждого временного шага), массив столбца ячеек (указывающий на относительную важность каждого выхода нейронной сети) или массив ячеек одной матрицы или только матрицы (оба случая указывают, что все матрицы имеют одинаковые значения важности).

Для любой задачи, perfWeights значение {1} (по умолчанию) или скаляр 1 указывает, что все производительности имеют одинаковое значение.

Типы данных: double | cell