设计和模拟神经网络

神经网络工具箱渲染用于计划，执行，设想和模仿神经网络的工具。神经网络用于传统调查是不可能或硬的应用程序的应用，例如非线性系统控制，识别和模式识别。神经网络工具箱肯定了径向基网络，馈电网络，自组织地图，动态网络以及其他一些已展示的网络缩影。

突出属性

神经网络教练，模拟和设计。

聚类，数据拟合工具和模式识别。

受监视的网络包括径向基础，进料，时间延迟，LVQ，层转换和非线性自动回旋（NARX）。

无监督的网络包括竞争层和自组织地图。

后处理和预处理，以改善网络教练和测量网络执行的效率。

用于设想和管理绝对大小的网络的模块化网络授权。

改善抽象以保持过度拟合的例程

用于评估和构建神经网络的Simulink块鼓励块检查系统应用程序。

使用神经网络工具箱

与其在生物神经系统中的相似性相似，神经网络可以确定，因此可以旨在确定解决方案，对数据进行分类，估计未来事件并识别蓝图。神经网络的进行由其逐项计算成分的模式确定，并由这些权重或连接的强度关联。权重通过指导网络的指导与确定的学习规则进行机械符合，直到执行正确的任务。

神经网络工具箱包括图形工具和命令行过程以及模仿，教练，创建和神经网络。图形工具使获取用于模式识别，聚类和数据拟合等任务的神经网络变得舒适。在这些工具中产生网络后，开发人员可以机械地提出MATLAB代码以捕捉工作并自动化任务。

网络体系结构

神经网络工具箱肯定了各种无监督和监督的网络体系结构。通过工具箱的模块化方法建立网络，开发人员可以为特定问题开发定制的计算机体系结构。开发人员可以查看包括所有层，输入，互连和输出的网络体系结构。

监督网络

监督神经网络的目的是为了响应样本输入而产生令人垂涎的输出，使其非常适合控制和建模动态系统，从而将预测未来的事件和嘈杂的数据分开。

神经网络工具箱肯定了4种监督网络类型：

馈电网络具有从输入到输出层的单向连接。它们通常用于模式识别，非线性函数拟合和预测。持续的前馈网络包括级联反向传播，馈电回向传播，感知到线性网络和线性网络以及馈电输入 - 延迟反向传播。

径向基网络提供了一种计划非线性进料网络的替代方法。持续的波动包括普及的概率和回归神经网络。

动态网络采用经常性和内存反馈关联来区分数据中的时间和空间蓝图。它们通常被采用前线线性动态系统建模，控制系统和时间串行预测应用。工具箱中的预构建的动态网络包括分布式和集中的时间延迟，层转换，非线性自动回归（NARX），Hopfield和Elman Networks。该工具箱还肯定了具有绝对连接的定制制造网络的动态指导。

学习矢量量化（LVQ）是一种无法线性解离的蓝图的有效方法。LVQ允许开发人员定义分类和类边界的粒度。

无监督的网络

无监督的神经网络是通过允许网络而不会中断的目标来适应新投入的。他们确定数据中的关系，并可以机械地确定分类策略。

神经网络工具箱肯定了两种类型的无监督自组织网络：

竞争层组并识别类似的输入向量，使它们可以将输入机械分类为类。竞争层通常用于模式识别和分类。

自组织地图决定了与相似之处的各种输入向量。喜欢竞争性层次，它们被聘用用于模式识别和分类任务。同样，他们与竞争层不同意，因为他们能够维护输入向量的拓扑，从而将亲密输入归因于附近的类。

学习和培训功能

学习和教练程序是用于机械适应网络的权重和偏见的数学程序。教练功能决定了一种全球算法，该算法影响了渲染网络的所有权重和偏见。学习功能可以用于网络内的偏见和个体权重。

神经网络工具箱肯定了各种教练算法，包括各自的梯度下降方法，Levenberg-Marquardt算法（LM），弹性反向传播算法（RPROP）和偶联梯度方法。该工具箱的模块化框架允许开发人员迅速制定可以与内置算法合并的定制教练算法。在指导神经网络时，开发人员可以使用错误权重来确定所需输出的相对重要性，这些输出可以分配样本，输出元素，以分配时间串行问题或任何合并这些优先级。开发人员可以从命令行进行指导算法或通过图形工具，该工具展示了要检查的网络图，并渲染网络执行图和状态数据，以帮助开发人员监督教练程序。

还提供了一套发现程序，包括Hebbian学习，梯度下降，Widrow-Hoff，Kohonen和LVQ。

后处理和预处理操作

预处理网络输入和目标可以缓解神经网络教练的效率。后处理允许详细研究网络执行。神经网络工具箱使后处理和预处理操作以及允许开发人员执行随附的活动的模拟块：

缩写使用主成分分析的输入向量的比例。

在网络响应和表示目标之间执行回归分析。

比例目标和输入，使其位于该范围内。

将教练组的标准偏差和平均值标准化。

生产网络时采用自动化的数据部门和数据预处理

做出更好的概括

为了更好地使TE网络推断助攻保持过度拟合的能力，这是神经网络设计中的常见问题。当网络学会了教练套装，但尚未确定推断出新的投入时，会发生过度拟合。过度拟合CRAETES在教练集上的错误相对较小，但是当新数据面对网络时，错误的错误更为突出。

神经网络工具箱提供了两种解决方案以改善概括：

正则化改变了网络的执行函数（教练过程低估的错误量度）。通过构成偏见和权重的尺寸，正则化使一个网络可以很好地执行教练数据，并在面对新数据时显示出更平滑的行为。

早期阻止采用了两个不同的数据集：教练集，修改偏见和权重，以及验证集，以阻止网络开始过度拟合数据时的教练。

Simulink支持和控制系统应用程序

神经网络工具箱渲染了一组用于在Simulink中构建神经网络的块。所有块都是带有Simulink编码器的Simpatico。这些块分为四个库：

通道化功能块，该功能块采用净输入向量并带出表示输出向量

净输入功能块，它假设任何数量的加权输入向量，偏置向量，权重层输出向量并返回净输入向量。

重量功能块，该块强制执行神经元的权重向量到输入矢量以获取神经元的加权输入值

数据预处理块，将输出数据映射到最适合神经网络的AMBIT

作为替代方案，开发人员可以在MATLAB环境中生产和培养网络，并机械地为Simulink使用网络模拟块。此方法路径还允许开发人员以图形方式考虑网络。

控制系统应用

开发人员可以强制执行神经网络以控制和识别非线性系统。该工具箱包括三个流行控制应用程序的示例，描述和Simulink块：反馈线性化，模型参考自适应控制和模型预后控制。

开发人员可以将工具箱中包含的神经网络预后控制块集成到Simulink模型中。通过更改这些块的参数数量，开发人员可以将网络的执行定向到应用程序。

学生可以找到解决方案MATLAB编程在线的。专家互动学术会议将使学习MATLAB编程简单。在线获取所有答案问题，作业，作业MATLAB编程，在我们的导师的专家指导下。ExpertsMind.com提供MATLAB编程在线补习服务，MATLAB编程beplay提款封号作业帮助和MATLAB编程随时随地24x7。