radbasn

R2026b

(Da rimuovere) Funzione di trasferimento a base radiale normalizzata

radbasn 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).

Grafico e simbolo

Sintassi

A = radbasn(N,FP)


Descrizione

radbasn è una funzione di trasferimento neurale. Le funzioni di trasferimento calcolano l’output di un livello a partire dal suo input netto. Questa funzione è equivalente a radbas, ad eccezione del fatto che i vettori di output vengono normalizzati dividendoli per la somma dei valori pre-normalizzati.

A = radbasn(N,FP) considera uno o due input,

N	matrice S per Q di vettori (colonna) di input netti
FP	Struttura dei parametri della funzione (ignorata)

e restituisce A, una matrice S per Q della funzione a base radiale applicata a ciascun elemento di N.

Esempi

In questo caso, sei vettori casuali a 3 elementi vengono passati attraverso la trasformata di base radiale e normalizzati.

n = rand(3,6)
a = radbasn(n)

Assegnare questa funzione di trasferimento al livello i di una rete.

net.layers{i}.transferFcn = 'radbasn';

Algoritmi

a = radbasn(n) = exp(-n^2) / sum(exp(-n^2))

Cronologia versioni

Introdotto in R2010b

R2026a: Prossima rimozione di radbasn

radbasn sarà rimossa in una prossima release.

Per saperne di più sull'utilizzo delle funzioni di attivazione e di trasferimento nelle reti neurali, vedere questi esempi e argomenti:

• Build Networks with Deep Network Designer

• List of Deep Learning Layers

• List of Functions with dlarray Support

• Compare Activation Layers

• Example Deep Learning Network Architectures

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