Функциональная аппроксимация нейронной сети
net = fitnet(hiddenSizes)hiddenSizes.
net = fitnet(hiddenSizes,trainFcn)hiddenSizes и обучающая функция, заданная trainFcn.
Загрузите обучающие данные.
[x,t] = simplefit_dataset;
Матрица 1 на 94 x содержит входные значения и матрицу 1 на 94 t содержит соответствующие целевые выходные значения.
Создайте функцию, подходящую для нейронной сети, с одним скрытым слоем размера 10.
net = fitnet(10);
Просмотрите сеть.
view(net)
Размеры входа и выхода равны нулю. Программа настраивает их размеры во время обучения в соответствии с обучающими данными.
Обучите сетевую net использование обучающих данных.
net = train(net,x,t);
Просмотрите обученную сеть.
view(net)
Можно увидеть, что размеры входа и вывода равны 1.
Оцените цели с помощью обученной сети.
y = net(x);
Оцените эффективность обученной сети. Функция эффективности по умолчанию является средней квадратичной невязкой.
perf = perform(net,y,t)
perf = 1.4639e-04
Алгоритмом настройки по умолчанию для сети подгонки функций является Левенберг-Марквардт ('trainlm' ). Используйте байесовский 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 = 3.3038e-10
Алгоритм настройки регуляризации Байеса улучшает эффективность сети с точки зрения оценки целевых значений.
Функция подбора кривой является процессом настройки нейронной сети на наборе входов в порядок, чтобы получить связанный набор целевых выходов. После того, как вы создаете сеть с нужными скрытыми слоями и алгоритмом настройки, вы должны обучить ее с помощью набора обучающих данных. Когда нейронная сеть подбирает данные, она формирует обобщение зависимости вход-выход. Затем можно использовать обученную сеть, чтобы сгенерировать выходы для входов, на которых она не была обучена.