最新のリリースでは、このページがまだ翻訳されていません。 このページの最新版は英語でご覧になれます。
network | 浅いカスタム ニューラル ネットワークの作成 |
ニューラル ネットワーク オブジェクトの基本的なコンポーネントを作成し、それらのコンポーネントについて学習します。
学習させる前の、関数 configure
を使用したネットワークの手動による構成方法を学びます。
入力データ構造の形式がネットワークのシミュレーションにどのような影響を与えるかを学習します。
ネットワーク アーキテクチャをそのプロパティを使用してカスタマイズし、カスタム ネットワークを使用して学習を行います。
動作中の環境の変化に応答する適応線形システムを設計します。
簡単な分類問題におけるパーセプトロン ネットワークのアーキテクチャ、設計、および学習について学習します。
5 つの入力ベクトルを 2 つのカテゴリに分類するように、2 入力ハード制限ニューロンの学習を行います。
5 つの入力ベクトルを 2 つのカテゴリに分類するように、2 入力ハード制限ニューロンの学習を行います。
5 つの入力ベクトルを 2 つのカテゴリに分類するように、2 入力ハード制限ニューロンの学習を行います。
2 入力ハード制限ニューロンは、線形分離不可能な 5 つの入力ベクトルを適切に分類できません。
放射基底ネットワークの設計および使用について学習します。
この例では、関数 NEWRB を使用して、一連のデータ点によって定義された関数を近似する、放射基底ネットワークを作成します。
ターゲット出力を使用して特定の入力に応答するように放射基底ネットワークの学習を行います。
ターゲット出力を使用して特定の入力に応答するように放射基底ネットワークの学習を行います。
この例では、関数 NEWGRNN および SIM を使用します。
この例では、関数 NEWPNN および SIM を使用します。
分類問題に確率的ニューラル ネットワークを使用します。
関数近似用の一般回帰ニューラル ネットワーク (GRNN) の設計を学習します。
学習ベクトル量子化 (LVQ) ニューラル ネットワークの学習
学習ベクトル量子化 (LVQ) ニューラル ネットワークを作成して学習を行います。
特定のターゲットに応じて入力ベクトルを分類するように、LVQ ネットワークの学習を行います。
所定の一連の入力ベクトルが与えられると対応するターゲット ベクトルの出力を生成する線形ネットワークを設計します。
この例では、最後の 5 つの値が与えられた場合に時系列の次の値を予測するように線形ニューロンを設計する方法を説明します。
この例では、現在の値および最後の 4 つの値が与えられた場合に信号の次の値を予測するように、適応線形層に学習させる方法を示します。
ニューラル ネットワークの設計プロセスの主要ステップについて学習します。
ニューラル ネットワークの基本構成である単入力ニューロンについて学習します。
単層および多層ネットワークのアーキテクチャについて学習します。
テンプレート関数を使用して、ネットワークの初期化、シミュレーション、学習のためのアルゴリズムを制御するカスタム関数を作成します。