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。

NARX および時間遅れネットワークによるモデル化および予測

動的ニューラル ネットワーク (フィードバックのあるネットワークを含む) を使用した時系列問題の解決

アプリ

Neural Net Time Series動的ニューラル ネットワークの学習による非線形時系列問題の解決

関数

nnstartニューラル ネットワークの使用開始 GUI
viewニューラル ネットワークの表示
timedelaynet時間遅れニューラル ネットワーク
narxnet外部入力を伴う非線形自己回帰ニューラル ネットワーク
narnet非線形自己回帰ニューラル ネットワーク
layrecnet層再帰型ニューラル ネットワーク
distdelaynetDistributed delay network
train浅いニューラル ネットワークの学習
gensim浅いニューラル ネットワークのシミュレーション用の Simulink ブロックの生成
adddelayAdd delay to neural network response
removedelayRemove delay to neural network’s response
closeloopConvert neural network open-loop feedback to closed loop
openloopConvert neural network closed-loop feedback to open loop
ploterrhistPlot error histogram
plotinerrcorrPlot input to error time-series cross-correlation
plotregression線形回帰のプロット
plotresponsePlot dynamic network time series response
ploterrcorrPlot autocorrelation of error time series
genFunction浅いニューラル ネットワークのシミュレーション用の MATLAB 関数の生成

例および操作のヒント

基本設計

浅いニューラル ネットワークの時系列予測およびモデル化

Neural Network Time Series アプリおよびコマンド ライン関数を使用して、時系列予測を行います。

時系列時間遅れニューラル ネットワークの設計

時系列予測のための集中時間遅れニューラル ネットワーク (FTDNN) の設計を学習します。

ニューラル ネットワークの複数ステップの予測

ニューラル ネットワークの複数ステップの予測について学習します。

時系列 NARX フィードバック ニューラル ネットワークの設計

外生入力を伴う非線形自己回帰ネットワーク (NARX) を作成して学習を行います。

層再帰型ニューラル ネットワークの設計

層再帰型ネットワーク (LRN) である動的ネットワークを作成して学習を行います。

浅いニューラル ネットワーク関数の配布

MATLAB® ツールを使用して、学習済みの浅いニューラル ネットワークのシミュレーションと配布を行います。

浅いニューラル ネットワークの学習の配布

浅いニューラル ネットワークの学習を配布する方法を学習します。

磁気浮上のモデル化

この例では、NARX (外部入力を伴う非線形自己回帰) ニューラル ネットワークによって磁気浮上動的システムをモデル化する方法を説明します。

学習のスケーラビリティおよび効率性

並列計算および GPU コンピューティングを使用したニューラル ネットワーク

ニューラル ネットワークの学習とシミュレーションを高速化し、大規模データを処理するために、並列計算および分散コンピューティングを使用します。

ニューラル ネットワーク学習時のチェックポイントの自動保存

長時間にわたる学習の実行の成果を保護するために、中間結果を保存します。

ニューラル ネットワークの学習の速度とメモリの最適化

ニューラル ネットワークの学習を効率化します。

最適解

ニューラル ネットワーク入出力処理関数の選択

効率的に学習を行うために入力およびターゲットを前処理します。

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。

ニューラル ネットワークの最適な学習のためのデータの分割

関数を使用してデータを学習セット、検証セット、およびテスト セットに分割します。

多層ニューラル ネットワークの学習関数の選択

異なるタイプの問題について学習アルゴリズムを比較します。

浅いニューラル ネットワークの汎化の改善と過適合の回避

汎化の改善方法と過適合の防止方法について学習します。

誤差の重みを使用したニューラル ネットワークの学習

ニューラル ネットワークに学習させるときに誤差の重み付けを使用する方法を学習します。

複数出力の誤差の正規化

値の範囲が異なる複数の出力要素をあてはめる方法を学習します。

概念

動的ニューラル ネットワークのしくみ

フィードフォワード ネットワークおよび再帰型ネットワークのしくみについて学習します。

動的ニューラル ネットワークでの複数シーケンス

複数の短いシーケンスで使用できる時系列データを管理します。

ニューラル ネットワーク時系列ユーティリティ

ユーティリティ関数を使用したニューラル ネットワーク データの取り扱いについて学びます。

浅いニューラル ネットワーク用の標本データセット

浅いニューラル ネットワークの機能を試す際に使用する標本データセットのリストを示します。

ニューラル ネットワーク オブジェクトのプロパティ

ネットワークの基本的特徴を定義するプロパティについて学習します。

ニューラル ネットワーク サブオブジェクトのプロパティ

入力、層、出力、ターゲット、バイアス、重みなど、ネットワークの詳細を定義するプロパティについて学習します。