Последовательный порядок инкрементное обучение с изучением функций
net.trainFcn = 'trains'
[net,tr] = train(net,...)
trains не называется непосредственно. Вместо этого это вызвано train для сетей, чей net.trainFcn свойство установлено в 'trains', таким образом:
net.trainFcn = 'trains' устанавливает сеть trainFcn свойство.
[net,tr] = train(net,...) обучает сеть с trains.
trains обучает сеть с весом и правила изучения смещения с последовательными обновлениями. Последовательность входных параметров представлена сети с обновлениями, происходящими после каждого временного шага.
Этот инкрементный алгоритм настройки обычно используется для адаптивных приложений.
Обучение происходит согласно trains параметры обучения, показанные здесь с их значениями по умолчанию:
net.trainParam.epochs | 1000 | Максимальное количество эпох, чтобы обучаться |
net.trainParam.goal | 0 | Цель эффективности |
net.trainParam.show | 25 | Эпохи между отображениями ( |
net.trainParam.showCommandLine |
| Сгенерируйте командную строку выход |
net.trainParam.showWindow |
| Покажите учебный графический интерфейс пользователя |
net.trainParam.time |
| Максимальное время, чтобы обучаться в секундах |
Можно создать стандартную сеть, которая использует trains для адаптации путем вызова perceptron или linearlayer.
Подготовить пользовательскую сеть, чтобы адаптироваться с trains,
Установите net.adaptFcn к 'trains'. Это устанавливает net.adaptParam к trainsпараметры по умолчанию.
Установите каждый net.inputWeights{i,j}.learnFcn к функции изучения. Установите каждый net.layerWeights{i,j}.learnFcn к функции изучения. Установите каждый net.biases{i}.learnFcn к функции изучения. (Вес и параметры изучения смещения автоматически установлены в значения по умолчанию для данного изучения функции.)
Позволить сети адаптироваться,
Установите вес и параметры изучения смещения к требуемым значениям.
Вызовите adapt.
Смотрите help perceptron и help linearlayer для примеров адаптации.
Каждый вес и смещение обновляются согласно его изучению функции после каждого временного шага во входной последовательности.