Neural Network Toolbox: Разлика помеѓу преработките
| [непроверена преработка] | [непроверена преработка] |
Избришана содржина Додадена содржина
+ |
dodadeni vrski |
||
Ред 1:
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.
Ред 10:
== 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.
Ред 26:
== 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 ==
| |||