trainingOptions | Опции для обучения глубокой нейронной сети |
trainNetwork | Обучите глубокую нейронную сеть |
analyzeNetwork | Анализируйте архитектуру нейронной сети для глубокого обучения |
squeezenet | Сверточная нейронная сеть SqueezeNet |
googlenet | Сверточная нейронная сеть GoogLeNet |
inceptionv3 | Сверточная нейронная сеть Inception-v3 |
densenet201 | Сверточная нейронная сеть DenseNet-201 |
mobilenetv2 | Сверточная нейронная сеть MobileNet-v2 |
resnet18 | Сверточная нейронная сеть ResNet-18 |
resnet50 | Сверточная нейронная сеть ResNet-50 |
resnet101 | Сверточная нейронная сеть ResNet-101 |
xception | Сверточная нейронная сеть Xception |
inceptionresnetv2 | Сверточная нейронная сеть Pretrained Inception-ResNet-v2 |
nasnetlarge | Сверточная нейронная сеть Pretrained NASNet-Large |
nasnetmobile | Сверточная нейронная сеть Pretrained NASNet-Mobile |
shufflenet | Сверточная нейронная сеть Pretrained ShuffleNet |
darknet19 | Cверточная нейронная сеть DarkNet-19 |
darknet53 | Cверточная нейронная сеть DarkNet-53 |
efficientnetb0 | Сверточная нейронная сеть EfficientNet-b0 |
alexnet | Сверточная нейронная сеть AlexNet |
vgg16 | Сверточная нейронная сеть VGG-16 |
vgg19 | Сверточная нейронная сеть VGG-19 |
imageInputLayer | Отобразите входной слой |
image3dInputLayer | Входной слой 3-D изображения |
featureInputLayer | Свойства входного слоя |
convolution2dLayer | 2D сверточный слой |
convolution3dLayer | 3-D сверточный слой |
groupedConvolution2dLayer | 2D сгруппированный сверточный слой |
transposedConv2dLayer | Транспонированный 2D слой свертки |
transposedConv3dLayer | Транспонированный 3-D слой свертки |
fullyConnectedLayer | Полносвязный слой |
reluLayer | Слой выпрямленных линейных единиц (ReLU) |
leakyReluLayer | Протекающий ReLU (ReLU)" |
clippedReluLayer | Отсеченный ReLU |
eluLayer | Слой экспоненциальных линейных единиц (ELU) |
tanhLayer | Гиперболический тангенс (tanh) слой |
swishLayer | Слой Swish |
functionLayer | Функциональный слой |
batchNormalizationLayer | Слой пакетной нормировки |
groupNormalizationLayer | Слой групповой нормировки |
instanceNormalizationLayer | Слой нормализации экземпляра |
layerNormalizationLayer | Слой нормализации слоя |
crossChannelNormalizationLayer | Слой нормализации локального отклика по каналам |
dropoutLayer | Слой Dropout |
crop2dLayer | 2D слой обрезки |
crop3dLayer | 3-D слой обрезки |
averagePooling2dLayer | Слой субдискретизации по среднему |
averagePooling3dLayer | 3-D слой субдискретизации по среднему |
globalAveragePooling2dLayer | Глобальный слой субдискретизации по среднему |
globalAveragePooling3dLayer | 3-D глобальный слой субдискретизации по среднему |
globalMaxPooling2dLayer | Глобальная слой субдискретизации по максимуму |
globalMaxPooling3dLayer | 3-D глобальная слой субдискретизации по максимуму |
maxPooling2dLayer | Слой субдискретизации по максимуму |
maxPooling3dLayer | 3-D слой субдискретизации по максимуму |
maxUnpooling2dLayer | Слой обратной субдискретизации по максимуму |
additionLayer | Слой сложения |
multiplicationLayer | Слой умножения |
concatenationLayer | Слой конкатенации |
depthConcatenationLayer | Слой конкатенации по глубине |
sigmoidLayer | Сигмоидальный слой |
softmaxLayer | Слой Softmax |
classificationLayer | Слой классификации |
regressionLayer | Создайте регрессию выходной слой |
augmentedImageDatastore | Преобразуйте пакеты, чтобы увеличить данные изображения |
imageDataAugmenter | Сконфигурируйте увеличение данных изображения |
augment | Примените идентичные случайные преобразования к повторным изображениям |
layerGraph | График слоев сети для глубокого обучения |
plot | Постройте график слоев нейронной сети |
addLayers | Добавьте слои в график слоев |
removeLayers | Удалите слои из графика слоев |
replaceLayer | Замените слой в графике слоев |
connectLayers | Соедините слои в графике слоев |
disconnectLayers | Отключите слои в графике слоев |
DAGNetwork | Сеть Directed acyclic graph (DAG) для глубокого обучения |
resnetLayers | Создайте 2D остаточную сеть |
resnet3dLayers | Создайте 3-D остаточную сеть |
isequal | Проверяйте равенство графиков слоев глубокого обучения или сетей |
isequaln | Проверяйте равенство графиков слоев глубокого обучения или сетей, игнорирующих NaN значения |
classify | Классифицируйте данные с помощью обученной глубокой нейронной сети |
predict | Предскажите ответы с помощью обученной глубокой нейронной сети |
activations | Вычислите активации слоя нейронной сети для глубокого обучения |
confusionchart | Создайте матричный график беспорядка для проблемы классификации |
sortClasses | Сортировка классов матричного графика беспорядка |
trainingOptions | Опции для обучения глубокой нейронной сети |
trainNetwork | Обучите глубокую нейронную сеть |
analyzeNetwork | Анализируйте архитектуру нейронной сети для глубокого обучения |
sequenceInputLayer | Последовательность ввела слой |
featureInputLayer | Свойства входного слоя |
lstmLayer | Слой Long short-term memory (LSTM) |
bilstmLayer | Двунаправленный долгий краткосрочный слой (BiLSTM) памяти |
gruLayer | Слой Gated recurrent unit (GRU) |
convolution1dLayer | 1D сверточный слой |
fullyConnectedLayer | Полносвязный слой |
maxPooling1dLayer | 1D макс. слой объединения |
averagePooling1dLayer | 1D средний слой объединения |
globalMaxPooling1dLayer | 1D глобальная переменная макс. объединение слоя |
globalAveragePooling1dLayer | 1D глобальный средний слой объединения |
reluLayer | Слой выпрямленных линейных единиц (ReLU) |
leakyReluLayer | Протекающий ReLU (ReLU)" |
clippedReluLayer | Отсеченный ReLU |
eluLayer | Слой экспоненциальных линейных единиц (ELU) |
tanhLayer | Гиперболический тангенс (tanh) слой |
swishLayer | Слой Swish |
softmaxLayer | Слой Softmax |
dropoutLayer | Слой Dropout |
functionLayer | Функциональный слой |
sequenceFoldingLayer | Слой сворачивания последовательности |
sequenceUnfoldingLayer | Слой разворачивания последовательности |
flattenLayer | Слой Flatten |
classificationLayer | Слой классификации |
regressionLayer | Создайте регрессию выходной слой |
classify | Классифицируйте данные с помощью обученной глубокой нейронной сети |
predict | Предскажите ответы с помощью обученной глубокой нейронной сети |
activations | Вычислите активации слоя нейронной сети для глубокого обучения |
predictAndUpdateState | Предскажите ответы с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние |
classifyAndUpdateState | Классифицируйте данные с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние |
resetState | Сбросьте состояние рекуррентной нейронной сети |
confusionchart | Создайте матричный график беспорядка для проблемы классификации |
sortClasses | Сортировка классов матричного графика беспорядка |
padsequences | Заполните или обрежьте данные о последовательности до той же длины |
trainingOptions | Опции для обучения глубокой нейронной сети |
trainNetwork | Обучите глубокую нейронную сеть |
experiments.Monitor | Обновите таблицу результатов и учебные графики для пользовательских учебных экспериментов |
groupSubPlot | Метрики группы в графике обучения эксперименту |
recordMetrics | Запишите метрические значения в таблице результатов эксперимента и учебном графике |
updateInfo | Обновите информационные столбцы в таблице результатов эксперимента |
trainingOptions | Опции для обучения глубокой нейронной сети |
trainNetwork | Обучите глубокую нейронную сеть |
analyzeNetwork | Анализируйте архитектуру нейронной сети для глубокого обучения |
plot | Постройте график слоев нейронной сети |
activations | Вычислите активации слоя нейронной сети для глубокого обучения |
predict | Предскажите ответы с помощью обученной глубокой нейронной сети |
classify | Классифицируйте данные с помощью обученной глубокой нейронной сети |
predictAndUpdateState | Предскажите ответы с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние |
classifyAndUpdateState | Классифицируйте данные с помощью обученной рекуррентной нейронной сети и обновите сетевое состояние |
resetState | Сбросьте состояние рекуррентной нейронной сети |
deepDreamImage | Визуализируйте сетевые функции с помощью, глубоко мечтают |
occlusionSensitivity | Объясните сетевые предсказания путем закрытия входных параметров |
imageLIME | Объясните сетевые предсказания с помощью LIME |
gradCAM | Объясните сетевые предсказания с помощью CAM градиента |
confusionchart | Создайте матричный график беспорядка для проблемы классификации |
sortClasses | Сортировка классов матричного графика беспорядка |
boxLabelDatastore | Datastore для ограничительной рамки помечает данные |
pixelLabelDatastore | Datastore для данных о пиксельных метках |
pixelLabelImageDatastore | Datastore для сетей семантической сегментации |
augmentedImageDatastore | Преобразуйте пакеты, чтобы увеличить данные изображения |
randomPatchExtractionDatastore | Datastore для извлечения случайных 2D или 3-D случайных закрашенных фигур от изображений или пикселя помечает изображения |
blockedImageDatastore | Datastore для использования с блоками из blockedImage объекты |
pointPillarsObjectDetector | Детектор объектов PointPillars |
trainPointPillarsObjectDetector | Обучите детектор объектов PointPillars |
detect | Обнаружьте использование объектов детектор объектов PointPillars |
squeezesegv2Layers | Создайте сеть сегментации SqueezeSegV2 для организованного облака точек лидара |
pointnetplusLayers | Создайте PointNet ++ сеть сегментации |
labeledSignalSet | Создайте помеченный набор сигнала |
signalLabelDefinition | Создайте определение метки сигнала |
signalMask | Измените и преобразуйте маски сигнала и извлеките необходимые области сигнала |
countlabels | Считайте количество уникальных меток |
folders2labels | Получите список меток с имен папок |
splitlabels | Найдите, что индексы разделяют метки согласно заданным пропорциям |
signalDatastore | Datastore для набора сигналов |
dlstft | Кратковременное преобразование Фурье глубокого обучения |
stftLayer | Кратковременный слой преобразования Фурье |
audioDatastore | Datastore для набора звуковых файлов |
audioDataAugmenter | Увеличьте аудиоданные |
audioFeatureExtractor | Оптимальная экстракция функции аудио |
ivectorSystem | Создайте систему i-вектора |
openl3Features | Извлеките функции OpenL3 |
pitchnn | Оцените тангаж с глубокой нейронной сетью |
vggishFeatures | Извлеките функции VGGish |
classifySound | Классифицируйте звуки на звуковой сигнал |
crepe | Нейронная сеть CREPE |
crepePreprocess | Предварительно обработайте аудио для нейронной сети для глубокого обучения CREPE |
crepePostprocess | Постобработайте выход нейронной сети для глубокого обучения CREPE |
openl3 | Нейронная сеть OpenL3 |
openl3Features | Извлеките функции OpenL3 |
openl3Preprocess | Предварительно обработайте аудио для извлечения признаков OpenL3 |
pitchnn | Оцените тангаж с глубокой нейронной сетью |
vggish | Нейронная сеть VGGish |
vggishFeatures | Извлеките функции VGGish |
vggishPreprocess | Предварительно обработайте аудио для извлечения признаков VGGish |
yamnet | Нейронная сеть YAMNet |
yamnetGraph | График онтологии YAMNet AudioSet |
yamnetPreprocess | Предварительно обработайте аудио для классификации YAMNet |
wordEmbeddingLayer | Слой встраивания Word для нейронных сетей для глубокого обучения |
fastTextWordEmbedding | Предварительно обученное fastText встраивание слова |
readWordEmbedding | Считайте встраивание слова из файла |
trainWordEmbedding | Обучите встраивание слова |
doc2sequence | Преобразуйте документы последовательностям для глубокого обучения |
word2vec | Сопоставьте слово со встраиванием вектора |
word2ind | Сопоставьте слово с кодированием индекса |
vec2word | Сопоставьте вектор встраивания со словом |
ind2word | Сопоставьте индекс кодирования со словом |
isVocabularyWord | Протестируйте, если слово является членом встраивания слова или кодирования |
writeWordEmbedding | Запишите файл встраивания слова |
wordEmbedding | Модель встраивания Word, чтобы сопоставить слова с векторами и назад |
wordEncoding | Модель кодирования Word, чтобы сопоставить слова с индексами и назад |
importKerasNetwork | Импортируйте предварительно обученную сеть Keras и веса |
importKerasLayers | Импортируйте слои из сети Keras |
importTensorFlowNetwork | Импортируйте предварительно обученную сеть TensorFlow |
importTensorFlowLayers | Импортируйте слои из сети TensorFlow |
importCaffeNetwork | Импортируйте предварительно обученные модели сверточной нейронной сети из Caffe |
importCaffeLayers | Импортируйте слои сверточной нейронной сети из Caffe |
importONNXNetwork | Импортируйте предварительно обученную сеть ONNX |
importONNXLayers | Импортируйте слои из сети ONNX |
importONNXFunction | Импортируйте предварительно обученную сеть ONNX как функцию |
ONNXParameters | Параметры импортированной сети ONNX для глубокого обучения |
freezeParameters | Преобразуйте learnable сетевые параметры в ONNXParameters к nonlearnable |
unfreezeParameters | Преобразуйте nonlearnable сетевые параметры в ONNXParameters к learnable |
addParameter | Добавьте параметр в ONNXParameters объект |
removeParameter | Удалите параметр из ONNXParameters объект |
functionLayer | Функциональный слой |
findPlaceholderLayers | Найдите слои заполнителя в сетевой архитектуре импортированными из Keras или ONNX |
replaceLayer | Замените слой в графике слоев |
assembleNetwork | Соберите нейронную сеть для глубокого обучения от предварительно обученных слоев |
PlaceholderLayer | Слой, заменяющий неподдерживаемый слой Keras или ONNX или неподдерживаемую функциональность от functionToLayerGraph |
addLayers | Добавьте слои в график слоев |
removeLayers | Удалите слои из графика слоев |
exportONNXNetwork | Экспорт сети в формат модели ONNX |
functionLayer | Функциональный слой |
checkLayer | Проверяйте валидность пользовательского или функционального слоя |
setLearnRateFactor | Установите изучают фактор уровня настраиваемого параметра слоя |
setL2Factor | Установитесь коэффициент регуляризации L2 настраиваемого параметра слоя |
getLearnRateFactor | Доберитесь изучают фактор уровня настраиваемого параметра слоя |
getL2Factor | Получите фактор регуляризации L2 настраиваемого параметра слоя |
findPlaceholderLayers | Найдите слои заполнителя в сетевой архитектуре импортированными из Keras или ONNX |
replaceLayer | Замените слой в графике слоев |
assembleNetwork | Соберите нейронную сеть для глубокого обучения от предварительно обученных слоев |
PlaceholderLayer | Слой, заменяющий неподдерживаемый слой Keras или ONNX или неподдерживаемую функциональность от functionToLayerGraph |
dlnetwork | Нейронная сеть для глубокого обучения для пользовательских учебных циклов |
forward | Вычислите нейронную сеть для глубокого обучения выход для обучения |
predict | Вычислите нейронную сеть для глубокого обучения выход для вывода |
adamupdate | Обновите параметры с помощью адаптивной оценки момента (Адам) |
rmspropupdate | Обновите параметры с помощью корневого среднеквадратического распространения (RMSProp) |
sgdmupdate | Обновите параметры с помощью стохастического градиентного спуска с импульсом (SGDM) |
dlupdate | Обновите параметры с помощью пользовательской функции |
minibatchqueue | Создайте мини-пакеты для глубокого обучения |
onehotencode | Закодируйте метки данных в одногорячие векторы |
onehotdecode | Декодируйте векторы вероятности в метки класса |
padsequences | Заполните или обрежьте данные о последовательности до той же длины |
initialize | Инициализируйте настраиваемые параметры и параметры состояния dlnetwork |
dlarray | Массив глубокого обучения для пользовательских учебных циклов |
dlgradient | Вычислите градиенты для пользовательских учебных циклов с помощью автоматического дифференцирования |
dlfeval | Оцените модель глубокого обучения для пользовательских учебных циклов |
dims | Метки размерности dlarray |
finddim | Найдите размерности с заданной меткой |
stripdims | Удалите dlarray формат данных |
extractdata | Извлеките данные из dlarray |
isdlarray | Определите, является ли введенный dlarray
|
functionToLayerGraph | Преобразуйте функцию модели глубокого обучения в график слоев |
dlconv | Свертка глубокого обучения |
dltranspconv | Глубокое обучение транспонировало свертку |
lstm | Долгая краткосрочная память |
gru | Закрытый текущий модуль |
embed | Встройте дискретные данные |
fullyconnect | Суммируйте все взвешенные входные данные и примените смещение |
dlode45 | Решение для глубокого обучения нежесткого обыкновенного дифференциального уравнения (ODE) |
relu | Примените исправленную линейную модульную активацию |
leakyrelu | Примените текучую исправленную линейную модульную активацию |
batchnorm | Нормируйте данные через все наблюдения для каждого канала независимо |
crosschannelnorm | Межканальный квадрат - нормирует использующие локальные ответы |
groupnorm | Нормируйте данные через сгруппированные подмножества каналов для каждого наблюдения независимо |
instancenorm | Нормируйте через каждый канал для каждого наблюдения независимо |
layernorm | Нормируйте данные через все каналы для каждого наблюдения независимо |
avgpool | Объедините данные к средним значениям по пространственным размерностям |
maxpool | Объедините данные к максимальному значению |
maxunpool | Не объедините выход максимальной операции объединения |
softmax | Примените softmax активацию, чтобы образовать канал размерность |
sigmoid | Примените сигмоидальную активацию |
crossentropy | Потеря перекрестной энтропии для задач классификации |
l1loss | Потеря L1 для задач регрессии |
l2loss | Потеря L2 для задач регрессии |
huber | Утрата Хубера для задач регрессии |
mse | Половина среднеквадратической ошибки |
ctc | Потеря ассоциативной временной классификации (CTC) для невыровненной классификации последовательностей |
dlaccelerate | Ускорьте функцию глубокого обучения для пользовательских учебных циклов |
AcceleratedFunction | Ускоренная функция глубокого обучения |
clearCache | Очистите ускоренный кэш трассировки функции глубокого обучения |
dlquantizer | Квантуйте глубокую нейронную сеть к 8-битным масштабированным целочисленным типам данных |
dlquantizationOptions | Опции для квантования обученной глубокой нейронной сети |
calibrate | Симулируйте и соберите области значений глубокой нейронной сети |
validate | Квантуйте и подтвердите глубокую нейронную сеть |
codegen | Сгенерируйте код C/C++ из кода MATLAB |
coder.getDeepLearningLayers | Получите список слоев, поддержанных для генерации кода для определенной библиотеки глубокого обучения |
coder.loadDeepLearningNetwork | Загрузите модель нейронной сети для глубокого обучения |
coder.DeepLearningConfig | Создайте объекты настройки генерации кода глубокого обучения |
codegen | Сгенерируйте код C/C++ из кода MATLAB |
coder.getDeepLearningLayers | Получите список слоев, поддержанных для генерации кода для определенной библиотеки глубокого обучения |
coder.loadDeepLearningNetwork | Загрузите модель нейронной сети для глубокого обучения |
coder.DeepLearningConfig | Создайте объекты настройки генерации кода глубокого обучения |
dlhdl.Workflow | Сконфигурируйте рабочий процесс развертывания для глубокой нейронной сети |
dlhdl.Target | Сконфигурируйте интерфейс на требуемую плату для развертывания рабочего процесса |
nftool | Нейронный сетевой подходящий инструмент |
view | Просмотрите мелкую нейронную сеть |
fitnet | Функция, соответствующая нейронной сети |
feedforwardnet | Сгенерируйте нейронную сеть прямого распространения |
cascadeforwardnet | Сгенерируйте прямую каскадом нейронную сеть |
train | Обучите мелкую нейронную сеть |
trainlm | Обратная связь Levenberg-Marquardt |
trainbr | Байесова обратная связь регуляризации |
trainscg | Масштабированная обратная связь метода сопряженных градиентов |
trainrp | Устойчивая обратная связь |
mse | Среднеквадратическая нормированная ошибочная функция эффективности |
regression | (Не рекомендуемый), Выполняют линейную регрессию мелких сетевых выходных параметров на целях |
ploterrhist | Постройте ошибочную гистограмму |
plotfit | Подгонка функции построения графика |
plotperform | Постройте производительность сети |
plotregression | Постройте линейную регрессию |
plottrainstate | Постройте значения состояния обучения |
genFunction | Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети |
Autoencoder | Класс автоэнкодера |
nprtool | Инструмент Neural Net Pattern Recognition |
view | Просмотрите мелкую нейронную сеть |
trainAutoencoder | Обучите автоэнкодер |
trainSoftmaxLayer | Обучите softmax слой классификации |
decode | Декодируйте закодированные данные |
encode | Закодируйте входные данные |
predict | Восстановите входные параметры с помощью обученного автоэнкодера |
stack | Сложите энкодеры от нескольких автоэнкодеров вместе |
network | Преобразуйте Autoencoder объект в network объект |
patternnet | Сгенерируйте сеть распознавания образов |
lvqnet | Изучение векторной нейронной сети квантования |
train | Обучите мелкую нейронную сеть |
trainlm | Обратная связь Levenberg-Marquardt |
trainbr | Байесова обратная связь регуляризации |
trainscg | Масштабированная обратная связь метода сопряженных градиентов |
trainrp | Устойчивая обратная связь |
mse | Среднеквадратическая нормированная ошибочная функция эффективности |
roc | Рабочая характеристика приемника |
plotconfusion | Постройте матрицу беспорядка классификации |
ploterrhist | Постройте ошибочную гистограмму |
plotperform | Постройте производительность сети |
plotregression | Постройте линейную регрессию |
plotroc | Постройте рабочую характеристику приемника |
plottrainstate | Постройте значения состояния обучения |
crossentropy | Эффективность нейронной сети |
genFunction | Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети |
nctool | Классификация нейронных сетей или кластеризирующийся инструмент |
view | Просмотрите мелкую нейронную сеть |
selforgmap | Самоорганизующаяся карта |
train | Обучите мелкую нейронную сеть |
plotsomhits | Постройте самоорганизующиеся демонстрационные хиты карты |
plotsomnc | Постройте самоорганизующиеся соседние связи карты |
plotsomnd | Постройте самоорганизующиеся соседние расстояния карты |
plotsomplanes | Постройте самоорганизующиеся плоскости веса карты |
plotsompos | Постройте самоорганизующиеся положения веса карты |
plotsomtop | Постройте самоорганизующуюся топологию карты |
genFunction | Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети |
competlayer | Конкурентоспособный слой |
view | Просмотрите мелкую нейронную сеть |
train | Обучите мелкую нейронную сеть |
trainru | Безнадзорное обучение веса/смещения произвольного порядка |
learnk | Функция изучения веса Kohonen |
learncon | Функция изучения смещения совести |
genFunction | Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети |
Autoencoder | Класс автоэнкодера |
trainAutoencoder | Обучите автоэнкодер |
trainSoftmaxLayer | Обучите softmax слой классификации |
decode | Декодируйте закодированные данные |
encode | Закодируйте входные данные |
generateFunction | Сгенерируйте функцию MATLAB, чтобы запустить автоэнкодер |
generateSimulink | Сгенерируйте модель Simulink для автоэнкодера |
network | Преобразуйте Autoencoder объект в network объект |
plotWeights | Постройте визуализацию весов для энкодера автоэнкодера |
predict | Восстановите входные параметры с помощью обученного автоэнкодера |
stack | Сложите энкодеры от нескольких автоэнкодеров вместе |
view | Просмотрите автоэнкодер |
network | Создайте пользовательскую мелкую нейронную сеть |
ntstool | Инструмент временных рядов нейронной сети |
view | Просмотрите мелкую нейронную сеть |
timedelaynet | Нейронная сеть с временной задержкой |
narxnet | Нелинейная авторегрессивная нейронная сеть с внешним входом |
narnet | Нелинейная авторегрессивная нейронная сеть |
layrecnet | Рекуррентная нейронная сеть слоя |
distdelaynet | Распределенная сеть задержки |
train | Обучите мелкую нейронную сеть |
gensim | Сгенерируйте блок Simulink для мелкой симуляции нейронной сети |
adddelay | Добавьте задержку с ответом нейронной сети |
removedelay | Удалите задержку с ответом нейронной сети |
closeloop | Преобразуйте обратную связь разомкнутого контура нейронной сети в замкнутый цикл |
openloop | Преобразуйте нейронную сеть обратная связь с обратной связью в разомкнутый контур |
ploterrhist | Постройте ошибочную гистограмму |
plotinerrcorr | Вход графика к ошибочной взаимной корреляции timeseries |
plotregression | Постройте линейную регрессию |
plotresponse | Постройте динамический сетевой ответ временных рядов |
ploterrcorr | Постройте автокорреляцию ошибочных временных рядов |
genFunction | Сгенерируйте функцию MATLAB для симуляции мелкой нейронной сети |
gensim | Сгенерируйте блок Simulink для мелкой симуляции нейронной сети |
setsiminit | Установите начальные условия блока Simulink нейронной сети |
getsiminit | Получите вход начальной буквы блока нейронной сети Simulink и состояния задержек слоя |
sim2nndata | Преобразуйте временные ряды Simulink в данные о нейронной сети |
nndata2sim | Преобразуйте данные о нейронной сети во временные ряды Simulink |