本页面提供的是上一版软件的文档。当前版本中已删除对应的英文页面。
使用 NARX 网络和时延网络进行建模和预测
使用动态神经网络（包括带反馈的网络）求解时间序列问题
App
| 神经网络时间序列 | 使用动态神经网络求解非线性时间序列问题 |
函数
timedelaynet | 时滞神经网络 |
narxnet | 具有外部输入的非线性自回归神经网络 |
narnet | 非线性自回归神经网络 |
layrecnet | 层循环神经网络 |
distdelaynet | 分布延迟网络 |
train | 训练浅层神经网络 |
gensim | 生成用于浅层神经网络仿真的 Simulink 模块 |
adddelay | (To be removed) Add delay to neural network response |
removedelay | (To be removed) Remove delay to neural network’s response |
closeloop | (To be removed) Convert neural network open-loop feedback to closed loop |
openloop | (To be removed) Convert neural network closed-loop feedback to open loop |
ploterrhist | 绘图误差直方图 |
plotinerrcorr | (To be removed) Plot input to error time-series cross-correlation |
plotregression | 绘制线性回归图 |
plotresponse | 绘制动态网络时间序列响应 |
ploterrcorr | (To be removed) Plot autocorrelation of error time series |
genFunction | (To be removed) Generate MATLAB function for simulating shallow neural network |
示例和操作指南
基本设计
- 浅层神经网络时间序列预测和建模
使用神经网络时间序列和命令行函数进行时间序列预测。 - 多步神经网络预测
了解多步神经网络预测。 - 设计时间序列 NARX 反馈神经网络
创建和训练外因输入非线性自回归网络 (NARX)。 - 设计层循环神经网络
创建和训练一个动态网络，即层循环网络 (LRN)。 - 磁悬浮建模
此示例说明 NARX（具有外部输入的非线性自回归）神经网络如何对磁悬浮动态系统建模。
训练可扩展性和效率
- 使用并行和 GPU 计算的浅层神经网络
使用并行和分布式计算，可以加快神经网络训练和仿真以及处理大量数据的速度。 - 优化神经网络训练速度和内存
使神经网络训练更加高效。
最优解
- 选择神经网络输入输出处理函数
对输入和目标进行预处理，以提高训练效率。 - 配置浅层神经网络输入和输出
了解如何在训练前使用configure函数手动配置网络。 - 划分数据以实现最优神经网络训练
使用函数将数据分为训练集、验证集和测试集。 - 选择多层神经网络训练函数
不同问题类型的训练算法比较。 - 提高浅层神经网络泛化能力，避免过拟合
了解提高泛化能力和防止过拟合的方法。
概念
- 动态神经网络的工作原理
了解前馈和循环网络的工作原理。
- 浅层神经网络的样本数据集
试验浅层神经网络时要使用的样本数据集列表。
- 神经网络对象属性
了解定义网络基本特征的属性。
