Можно создать стандартную сеть, которая использует traingda с feedforwardnet или cascadeforwardnet. Подготовить пользовательскую сеть, которая будет обучена с traingda,

В любом случае, вызывая train с получившейся сетью обучает сеть с traingda.

Смотрите help feedforwardnet и help cascadeforwardnet для примеров.

Со стандартным наискорейшим спуском скорость обучения считается постоянная в течение обучения. Эффективность алгоритма очень чувствительна к соответствующей установке скорости обучения. Если скорость обучения установлена слишком высоко, алгоритм может колебаться и стать нестабильным. Если скорость обучения слишком мала, алгоритм занимает слишком много времени сходиться. Это не практично, чтобы определить оптимальную установку для скорости обучения перед обучением, и, на самом деле, оптимальными изменениями скорости обучения во время учебного процесса, когда алгоритм преодолевает поверхность эффективности.

Можно улучшать производительность алгоритма наискорейшего спуска, если вы позволяете скорости обучения изменяться во время учебного процесса. Адаптивная скорость обучения пытается сохранить размер шага изучения как можно больше при сохранении стабильности изучения. Скорость обучения сделана быстро реагирующей к сложности локальной ошибочной поверхности.

Адаптивная скорость обучения требует некоторых изменений в методе обучения, используемом traingd. Во-первых, начальный сетевой выход и ошибка вычисляются. В каждую эпоху новые веса и смещения вычисляются с помощью текущей скорости обучения. Новые выходные параметры и ошибки затем вычисляются.

Как с импульсом, если новая ошибка превышает старую ошибку больше, чем предопределенное отношение, max_perf_inc (обычно 1.04), новые веса и смещения отбрасываются. Кроме того, скорость обучения уменьшена (обычно путем умножения lr_dec = 0.7). В противном случае новые веса, и т.д., сохранены. Если новая ошибка меньше старой ошибки, скорость обучения увеличена (обычно путем умножения lr_inc = 1.05).

Эта процедура увеличивает скорость обучения, но только до такой степени, что сеть может учиться без больших ошибочных увеличений. Таким образом почти оптимальная скорость обучения получена для локального ландшафта. Когда большая скорость обучения могла привести к устойчивому изучению, скорость обучения увеличена. Когда скорость обучения слишком высока, чтобы гарантировать уменьшение по ошибке, она уменьшена до устойчивых резюме изучения.

Попробуйте демонстрацию Проекта Нейронной сети nnd12vl [HDB96] для рисунка эффективности переменного алгоритма скорости обучения.

Обучение обратной связи с адаптивной скоростью обучения реализовано с функциональным traingda, который называется точно так же, как traingd, за исключением дополнительных параметров обучения max_perf_inc, lr_dec, и lr_inc. Вот то, как это называется, чтобы обучить предыдущую сеть 2D слоя:

p = [-1 -1 2 2; 0 5 0 5];
t = [-1 -1 1 1];
net = feedforwardnet(3,'traingda');
net.trainParam.lr = 0.05;
net.trainParam.lr_inc = 1.05;
net = train(net,p,t);
y = net(p)