カスタム ニューラル ネットワーク

ニューラル ネットワーク オブジェクトの作成

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。

浅いニューラル ネットワークの入出力の構成

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。

浅いネットワークのデータ構造について

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。

浅いニューラル ネットワークのプロパティの編集

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。

過去および代替のニューラル ネットワーク

適応ニューラル ネットワーク フィルター

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。

パーセプトロン ニューラル ネットワーク

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。

2 入力パーセプトロンによる分類

4 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。

外れ値の入力ベクトル

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。

正規化パーセプトロン規則

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。

線形分離不可能なベクトル

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。

放射基底ニューラル ネットワーク

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。

放射基底近似

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。

放射基底アンダーラッピング ニューロン

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。

放射基底オーバーラッピング ニューロン

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。

GRNN 関数近似

この例では、関数 NEWGRNN および SIM を使用します。

PNN 分類

この例では、関数 NEWPNN および SIM を使用します。

確率的ニューラル ネットワーク

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。

一般回帰ニューラル ネットワーク

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。

学習ベクトル量子化

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。

線形ニューラル ネットワーク

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。

線形予測の設計

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。

適応線形予測

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。