广州市南沙区基本建设办公室网站,网站访问量大 处理,为女朋友做的表白网站,it运维网目录
语法
说明
示例
准备开环和闭环网络的数据 preparets函数的功能是为网络模拟或训练准备输入和目标时间序列数据
语法
[Xs,Xi,Ai,Ts,EWs,shift] preparets(net,Xnf,Tnf,Tf,EW)
说明
[Xs, Xi, Ai, Ts, EWs, shift] preparets(net, Xnf, Tnf, Tf, EW) 这个函数接受…目录
语法
说明
示例
准备开环和闭环网络的数据 preparets函数的功能是为网络模拟或训练准备输入和目标时间序列数据
语法
[Xs,Xi,Ai,Ts,EWs,shift] preparets(net,Xnf,Tnf,Tf,EW)
说明
[Xs, Xi, Ai, Ts, EWs, shift] preparets(net, Xnf, Tnf, Tf, EW) 这个函数接受以下参数
net — 神经网络
Xnf — 无反馈输入
Tnf — 无反馈目标
Tf — 反馈目标
EW — 错误权重可选
并返回以下参数
Xs — 被移位的输入
Xi — 初始输入延迟状态
Ai — 初始层延迟状态
Ts — 被移位的目标
EWs — 被移位的错误权重
shift — 从X和T前面截断的时间步数以便正确填充Xi和Ai。 该函数简化了通常复杂且容易出错的重新格式化输入和目标时间序列的任务。它会自动将输入和目标时间序列移动多个时间步以填充初始输入和层延迟状态。如果网络具有开环反馈它会根据需要将反馈目标复制到输入中以定义开环输入。 每当设计一个新的网络具有不同数量的延迟或反馈设置preparets 可以相应地重新格式化输入和目标数据。此外每当使用 openloop、closeloop、removedelay 或adddelay 转换网络时此函数也可以相应地重新格式化数据。
示例
准备开环和闭环网络的数据 这个示例展示了如何为开环和闭环网络准备数据。 首先创建一个具有20个隐藏神经元的时滞网络然后对其进行训练和模拟。
[X,T] simpleseries_dataset;
net timedelaynet(1:2,20);
[Xs,Xi,Ai,Ts] preparets(net,X,T);
net train(net,Xs,Ts);
view(net)
如图所示 Y net(Xs,Xi,Ai); 设计一个NARX网络。NARX网络具有标准输入和一个用于关联反馈输入的开环反馈输出。
[X,T] simplenarx_dataset;
net narxnet(1:2,1:2,20);
[Xs,Xi,Ai,Ts] preparets(net,X,{},T);
net train(net,Xs,Ts,Xi,Ai);
如图所示 view(net)
如图所示 y net(Xs,Xi,Ai); 现在将网络转换为闭环并重新格式化数据以模拟网络的闭环响应。
net closeloop(net);
view(net)如图所示 [Xs,Xi,Ai] preparets(net,X,{},T);
y net(Xs,Xi,Ai);
参数说明 net — 输入网络 输入网络指定为网络对象。要创建一个网络对象可以使用例如 feedforwardnet 或 narxnet。 Xnf — 无反馈输入 无反馈输入数据不与开环反馈输出相关联的输入指定为单元数组。 Tnf — 无反馈目标 非反馈输出的目标数据指定为单元数组。 Tf — 反馈目标 反馈输出的目标数据指定为单元数组。 EW — 错误权重 错误权重指定为单元数组。 Xs — 移位后的输入 移位后的输入以单元数组形式返回。 Xi — 初始输入延迟状态 初始输入延迟状态以单元数组形式返回。 Ai — 初始层延迟状态 初始层延迟状态以单元数组形式返回。 Ts — 移位后的目标 移位后的目标以单元数组形式返回。 EWs — 移位后的错误权重 移位后的错误权重以单元数组形式返回。 shift — 时间步数 从X和T前截断的时间步数以正确填充Xi和Ai以标量形式返回。
