4.978
уредувања
dodadeni vrski
| [непроверена преработка] | [непроверена преработка] |
(+) |
(dodadeni vrski) |
||
|
Алатката базирана на невронски мрежи ('''Neural Network Toolbox''') го прошитува [[MATLAB]] со алатки за дизајнирање, имплементирање, визуелизација, и симулирање на невронски мрежи. Невронските мрежи се непроценливи за апликации каде формалните анализи се тешки или невозможни, како што е препознавање на шаблони и нелинеарни системи на идентификација и управување. Neural Network Toolbox-от овозможува севкупна поддршка за повеќе докажани мрежни типични примери, како и графички кориснички интерфејс кој овозможува дизајнирање и менаџирање на мрежите. Модулираниот, отворен дизајн на алтката го упростува креирањето на прилагодливи функции и мрежи.
== 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 се додека не ја извршува коректно посакуваната задача.
[[Neural Network Toolbox]] графичкиот интерфејс овозможува полесна работа со невронските мрежи. Neural Network Fitting Tool е преставува волшебник кој води низ процесот на вметнување на податоци користејќи невронски мрежи. Оваа алатка се користи за внесување на големи и комплексни множества на податоци, брзо креирање и обучување на мрежи, и оценување на мрежните перформанси.
Друг графички интерфејс дава подобра способност за прилагодување на мрежна архитектура и алгоритамите за учење. Едноставна графичка репрезентација овозможува визуелизација и разбирлива мрежна архитектура.
== Мрежни архитектури ==
=== Мрежи со надзор ===
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.
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.
=== Мрежи без надзор ===
Невронските мрежи без надзор се обучуваат со дозволувајќи на мрежата постојано да се прилагодува самата себе на нови влезови. Мрежата наоѓа врски во самите податоци и може автоматски да дефинира класификациски шеми.
Neural Network Toolbox подржува два типа на само-организирани, мрежи без надзор: натпреварувачки слоеви и [[само-организирани мапи]].
Натпреварувачки слоеви ги препознаваат и групираат слични влезни вектори. Со користење на овие групи, мрежата автоматски ги сортира влезовите во категории.
Само-организираните мапи учат да ги класифицираат влезните вектори според сличност. За разлика од натпреварувачките слоеви, тие исто така ја заштитуваат топологијата на влезните вектори, задавајки блиски влезови на блиски категории.
== Simulink поддршка и апликции за системи на управување ==
=== [[Simulink]] поддршка ===
Neural Network Toolbox овозможува множество на блокови за градење на невронска мрежа во Simulink. Овие блокови се поделени во три библиотеки:
Преносни функциски блокови, кои земаат a net-input вектор и генерираат соодветен излезен вектор.
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 ===
Neural Network Toolbox овозможува да се применува невронски мрежи на идентификација и управување на нелинеарни системи. Алатката вклучува описи, демонстрации, и [[Simulink]] блокови за три популарни управувачки апликации: моделно предвидувачко управување, линеаризација со овратна врска и моделно повикувачко адаптивно управување.
Невронските мрежни предвидувачко управливи блокови вклучени во алатката можат да се инкорпорираат во [[Simulink]] модели. Со промена на параметрите од тие блокови, може да се кројат мрежните перформанси на апликацијата.
== Пред и после процесирачки функции и поправлива генерализација ==
| |||