newrbe

R2026b

(Da rimuovere) Progettare una rete a base radiale precisa

newrbe sarà rimossa in una prossima release. Per ulteriori informazioni, vedere Transition Legacy Neural Network Code to dlnetwork Workflows.

Per suggerimenti sull'aggiornamento del codice, vedere Version History (Storico della versione).

Sintassi

net = newrbe(P,T,spread)


Descrizione

Le reti a base radiale possono essere utilizzate per l'approssimazione di funzioni. newrbe progetta molto rapidamente una rete a base radiale con un errore nullo sui vettori di progetto.

net = newrbe(P,T,spread) considera due o tre argomenti,

P	Matrice R per Q di Q vettori di input R-elementi
T	Matrice S pe Q di Q vettori di classe target S-elementi
spread	Diffusione delle funzioni a base radiale (impostazione predefinita = 1,0)

e restituisce una nuova rete a base radiale precisa.

Quanto più è grande spread, maggiormente uniforme sarà l’approssimazione della funzione. Una diffusione troppo grande può causare problemi numerici.

Esempi

In questo esempio si progetta una rete a base radiale con input dato P e target T.

P = [1 2 3];
T = [2.0 4.1 5.9];
net = newrbe(P,T);

La rete viene simulata per un nuovo input.

P = 1.5;
Y = sim(net,P)

Algoritmi

newrbe crea una rete a due livelli. Il primo livello ha neuroni radbas e calcola i propri input ponderati con dist e il proprio input netto con netprod. Il secondo livello ha neuroni purelin e calcola il proprio input ponderato con dotprod e i propri input netti con netsum. Entrambi i livelli hanno delle bias.

newrbe imposta i pesi del primo livello su P' e le bias del primo livello sono tutte impostate su 0.8326/spread, ottenendo funzioni a base radiale che passano a 0,5 negli input ponderati di +/– spread.

I pesi IW{2,1} e le bias b{2} del secondo livello si trovano simulando gli output A{1} del primo livello e risolvendo successivamente la seguente espressione lineare:

[W{2,1} b{2}] * [A{1}; ones] = T

Cronologia versioni

Introduzione prima di R2006a

R2026a: Prossima rimozione di newrbe

newrbe sarà rimossa in una prossima release.

Per addestrare una rete neurale con dati tabellari, utilizzare una di queste funzioni:

• fitrnet (Statistics and Machine Learning Toolbox): addestra una rete neurale di regressione. Utilizzare questa funzione per attività di regressione semplici.

• fitcnet (Statistics and Machine Learning Toolbox): addestra una rete neurale di classificazione. Utilizzare questa funzione per attività di classificazione semplici.

• trainnet: addestra una rete neurale. Utilizzare questa funzione quando le funzioni fitrnet e fitcnet non forniscono le opzioni di addestramento necessarie per l'attività.

Per addestrare una rete neurale con dati delle serie temporali, utilizzare una di queste opzioni:

• App Time Series Modeler: progetta e addestra le reti neurali per i dati delle serie temporali in modo interattivo.

• trainnet: addestra una rete neurale. Utilizzare questa funzione quando è necessaria una maggiore flessibilità nell'architettura di rete o nell'algoritmo di addestramento.

Per progettare e personalizzare una rete neurale per questi workflow, è possibile creare una rete utilizzando un array di livelli di Deep Learning o un oggetto dlnetwork. Per creare e modificare le reti neurali in modo interattivo e generare codice, utilizzare l'app Deep Network Designer. Per saperne di più sui workflow di costruzione delle reti neurali, vedere questi esempi e argomenti:

• Build Networks with Deep Network Designer

• List of Deep Learning Layers

• Example Deep Learning Network Architectures

• Reti con più input e più output

• Define Custom Deep Learning Layers

Per ulteriori informazioni, vedere Transition Legacy Neural Network Code to dlnetwork Workflows.

Vedi anche

Time Series Modeler | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork

Argomenti

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows