Решите нелинейную задачу временных рядов с помощью динамических нейронных сетей
Приложение Neural Net Time Series позволяет вам создать, визуализировать и обучить динамические нейронные сети, чтобы решить три различных видов нелинейных проблем временных рядов.
Используя это приложение, вы можете:
Создайте три типа нейронных сетей: сети NARX, сети NAR и нелинейные сети ввода - вывода.
Импорт данных из файла, MATLAB® рабочая область или использование один из наборов данных в качестве примера.
Разделите данные в обучение, валидацию и наборы тестов.
Задайте и обучите нейронную сеть.
Оцените производительность сети с помощью среднеквадратической ошибки и регрессионного анализа.
Анализируйте результаты с помощью графиков визуализации, таких как графики автокорреляции или гистограмма ошибок.
Сгенерируйте скрипты MATLAB, чтобы воспроизвести результаты и настроить учебный процесс.
Сгенерируйте функции, подходящие для развертывания с инструментами MATLAB Compiler™ и MATLAB Coder™, и экспортируйте в Simulink® для использования с Simulink Coder.
Панель инструментов MATLAB: На вкладке Apps, под Machine Learning and Deep Learning, кликают по значку приложения.
Командная строка MATLAB: Войти ntstool.
Приложение Neural Net Time Series обеспечивает встроенные алгоритмы настройки, которые можно использовать, чтобы обучить нейронную сеть.
| Алгоритм обучения | Описание |
|---|---|
| Levenberg-Marquardt | Обновите вес и сместите значения согласно оптимизации Levenberg-Marquardt. Обучение Levenberg-Marquardt часто является самым быстрым алгоритмом настройки, несмотря на то, что действительно требуется больше памяти, чем другие методы. Чтобы реализовать этот алгоритм, приложение Neural Net Time Series использует |
| Байесова регуляризация | Байесова регуляризация обновляет вес и значения смещения согласно оптимизации Levenberg-Marquardt. Это затем минимизирует комбинацию квадратичных невязок и весов, и определяет правильную комбинацию, чтобы произвести сеть, которая делает вывод хорошо. Этот алгоритм обычно занимает больше времени, но способен делать вывод к шумным или небольшим наборам данных. Чтобы реализовать этот алгоритм, приложение Neural Net Time Series использует |
Масштабированная обратная связь метода сопряженных градиентов | Масштабированная обратная связь метода сопряженных градиентов обновляет вес и значения смещения согласно масштабированному методу сопряженных градиентов. Для больших проблем рекомендуется масштабируемый метод сопряженных градиентов, когда он использует вычисления градиента, которые используют память более эффективно, чем вычисления Якобиана, используемые Levenberg-Marquardt или Байесовой регуляризацией. Чтобы реализовать этот алгоритм, приложение Neural Net Time Series использует |
