Neural Network Toolbox: Разлика помеѓу преработките
| [проверена преработка] | [проверена преработка] |
Избришана содржина Додадена содржина
с Бот Брише: en:Neural Network Toolbox (deleted) |
с Јазична исправка, replaced: базиран → заснован (3) |
||
Ред 1:
{{Без извори|датум=октомври 2009}}
Алатката
== Работење со Neural Network Toolbox ==
Како и двојникот во биолошкиот нервен систем, невронска мрежа може да учи, и затоа може да се обучи да најде решенија, да препознае шаблони, класифицира податоци, и предвиди идни настани. Однесувањето на невронска мрежа е дефинирано од начинот индивидуалните пресметувачки елементи се поврзани, и од силината ба тие поврзувања, или тежини. Тежините се автоматски прилагодени со обучување на мрежата според специфично правило на учење сè додека не ја извршува коректно посакуваната задача.
Друг графички посредник дава подобра способност за прилагодување на мрежна архитектура и алгоритамите за учење. Едноставна графичка репрезентација овозможува визуелизација и разбирлива мрежна архитектура.
Ред 13:
Невронските мрежи со надзор се обучуваат за да дадат сакан излез како одговор на зададен влез, правејќи ги посебно добро прикладни за [[моделирање]] и [[управување динамички системи]], класифицирање на податоци под шум, и предвидување на идни настани.
Мрежите со предна спрега имаат еднонасочни врски од влезните до излезните слоеви. Тие се најмногу употребувани за предвидување, препознавање на шаблони, и нелинеарно функциско прилагодување.
Радијално
Динамични мрежи користат мемориски врски и повторливи врски со предна спрега за да препознаат просторни и временски шаблони во податоците. Тие обично се користат за time-series prediction, [[нелинеарно моделирање на системи]], и апликации за управување со ситеми. Однапред изградените динамички мрежи во самата алатка вклучуваат фокусирачко и дистрибуирано временско каснење, нелинеарна авторегресивна (NARX), повторливост на слоеви, Елманови и [[Хопфилдови мрежи]]. Алатката исто така подржува динамичко обучување на прилагодливи мрежи со произволни врски.
LVQ е моќен метод за класификација на шаблони кои не се линеарно оддвојливи. LVQ овозможува специфицирање на класни граници и грануалитет на класификација.
Ред 32:
Net input функциски блокови, кои земаат земаат произволен број на тежински влезни вектори, тежински слоевити излезни вектори, и базични вектори, така што враќаат a net-input вектор.
Weight функциски блокови, кои применуваат невронски тежински вектор на влезен вектор(или слоен излезен вектор) за да се добие тежинска влезна вредност за неврон.
Друг избор како алтернатива е да се креираат и обучуваат сопствени мрежи во [[MATLAB]] околина и автоматски да се генерираат мрежни симулациски блокови за употреба со [[Simulink]]. Овој пристап исто така овозможува да се прегледуваат мрежите графички.
=== Апликации за системи на управување ===
Ред 51:
Neural Network Toolbox овозможува две решенија за подобрување на генерализацијата: регулација и рано стопирање.
Регулацијата ја модифицира мрежната перформансна функција (мерката за грешка која процесот за обука ја минимизира). Со вклучување на големините за тежини и бази, обуката произведува мрежа која извршува добро со податоците за обука и прикажува помирно држење која и се дава нови податоци.
Со рано стопирање се користат две различни податочни множества: множеството за обука, за ажурирање на тежини и бази, и множество за валидација за стопирање на обуката кога мрежата почнува да overfit податоци.
= Што е невронска мрежа? =
Невронските мрежи се состојат од елементи кои работат паралелно. Овие елементи се инспирирани од биолошките нервни системи. Како и во природата, мрежните функции се одредуваат претежно според врските помеѓу елементите. Невронска мрежа може да се обучи да извршува одредени функции со подесување на вредности на врските (тежини) помеѓу елементи.
Обично невронските мрежи се подесуваат, или обучуваат, така што одреден влез води кон специфичен целен излез. Такава ситуација е прикажана на сликата подоле. Тука, мрежата се подесува,
Невронските мрежи се обучуваат да извршуваат комплексни функции на различни полиња, вклучувајќи препознавање на шаблони, идентификација, класификација, говор, визија, и системи за управување.
Денес, невронските мрежи можат да се обучат за да решаваат проблеми кои се тешки за конвенционални компјутери или самиот човек. Низ целат алатка, посебно внимание е ставено на мрежните типични примери кои се изградуваат или самите се користат во индустриски, финансиски, и други практични апликации.
| |||