ドキュメンテーション

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。

浅いニューラル ネットワーク アーキテクチャの定義

浅いニューラル ネットワーク アーキテクチャおよびアルゴリズムの定義

関数

networkカスタム ニューラル ネットワークの作成

例および操作のヒント

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。

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。

Deep Learning Toolbox 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

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。

Outlier Input Vectors

A 2-input hard limit neuron is trained to classify 5 input vectors into two categories. However, because 1 input vector is much larger than all of the others, training takes a long time.

Normalized Perceptron Rule

A 2-input hard limit neuron is trained to classify 5 input vectors into two categories. Despite the fact that one input vector is much bigger than the others, training with LEARNPN is quick.

Linearly Non-separable Vectors

A 2-input hard limit neuron fails to properly classify 5 input vectors because they are linearly non-separable.

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。

Radial Basis Underlapping Neurons

A radial basis network is trained to respond to specific inputs with target outputs. However, because the spread of the radial basis neurons is too low, the network requires many neurons.

Radial Basis Overlapping Neurons

A radial basis network is trained to respond to specific inputs with target outputs. However, because the spread of the radial basis neurons is too high, each neuron responds essentially the same, and the network cannot be designed.

GRNN Function Approximation

This example uses functions NEWGRNN and SIM.

PNN Classification

This example uses functions NEWPNN and SIM.

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。

Linear Prediction Design

This example illustrates how to design a linear neuron to predict the next value in a time series given the last five values.

Adaptive Linear Prediction

This example illustrates how an adaptive linear layer can learn to predict the next value in a signal, given the current and last four values.

概念

ニューラル ネットワーク設計のワークフロー

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。

ニューロン モデル

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。

ニューラル ネットワーク アーキテクチャ

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。

カスタム ニューラル ネットワーク補助関数

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。