cascadeforwardnet
生成级联前向神经网络
说明
返回级联前向神经网络,其隐藏层大小为 net
= cascadeforwardnet(hiddenSizes
,trainFcn
)hiddenSizes
,训练函数由 trainFcn
指定。
级联前向网络类似于前馈网络,但包括从输入和每个前一层到后续层的连接。
如同前馈网络一样,只要提供足够多的隐藏神经元两层或多层级联网络便可以任意方式很好地学习任何有限输入-输出关系。
示例
构造并训练级联前向神经网络
此示例说明如何使用级联前向神经网络来求解简单的问题。
加载训练数据。
[x,t] = simplefit_dataset;
1×94 矩阵 x
包含输入值,1×94 矩阵 t
包含相关联的目标输出值。
构造一个级联前向网络,其中一个隐藏层的大小为 10。
net = cascadeforwardnet(10);
使用训练数据训练网络 net
。
net = train(net,x,t);
查看经过训练的网络。
view(net)
使用经过训练的网络估计目标。
y = net(x);
评估经过训练的网络的性能。默认性能函数是均方误差。
perf = perform(net,y,t)
perf = 1.9372e-05
输入参数
hiddenSizes
— 隐藏层的大小
10 (默认) | 行向量
网络中隐藏层的大小,指定为行向量。向量的长度确定网络中隐藏层的数量。
示例: 例如,您可以指定一个具有 3 个隐藏层的网络,其中第一个隐藏层大小为 10,第二个为 8,第三个为 5,如下所示:[10,8,5]
输入和输出大小设置为零。软件在训练期间根据训练数据调整这些项的大小。
数据类型: single
| double
trainFcn
— 训练函数名称
'trainlm'
(默认) | 'trainbr'
| 'trainbfg'
| 'trainrp'
| 'trainscg'
| ...
训练函数名称,指定为下列各项之一。
训练函数 | 算法 |
---|---|
'trainlm' | 莱文贝格-马夸特 |
'trainbr' | 贝叶斯正则化 |
'trainbfg' | BFGS 拟牛顿 |
'trainrp' | 弹性反向传播 |
'trainscg' | 量化共轭梯度 |
'traincgb' | 带鲍威尔/比尔重启的共轭梯度 |
'traincgf' | 弗莱彻-鲍威尔共轭梯度 |
'traincgp' | 波拉克-里比埃尔共轭梯度 |
'trainoss' | 单步正割 |
'traingdx' | 可变学习率梯度下降 |
'traingdm' | 带动量的梯度下降 |
'traingd' | 梯度下降 |
示例: 例如,您可以将可变学习率梯度下降算法指定为训练算法,如下所示:'traingdx'
有关训练函数的详细信息,请参阅训练与应用多层浅层神经网络和选择多层神经网络训练函数。
数据类型: char
输出参量
net
— 级联前向网络
network
对象
级联前向神经网络,以 network
对象形式返回。
版本历史记录
在 R2010b 中推出
MATLAB 命令
您点击的链接对应于以下 MATLAB 命令:
请在 MATLAB 命令行窗口中直接输入以执行命令。Web 浏览器不支持 MATLAB 命令。
Select a Web Site
Choose a web site to get translated content where available and see local events and offers. Based on your location, we recommend that you select: .
You can also select a web site from the following list:
How to Get Best Site Performance
Select the China site (in Chinese or English) for best site performance. Other MathWorks country sites are not optimized for visits from your location.
Americas
- América Latina (Español)
- Canada (English)
- United States (English)
Europe
- Belgium (English)
- Denmark (English)
- Deutschland (Deutsch)
- España (Español)
- Finland (English)
- France (Français)
- Ireland (English)
- Italia (Italiano)
- Luxembourg (English)
- Netherlands (English)
- Norway (English)
- Österreich (Deutsch)
- Portugal (English)
- Sweden (English)
- Switzerland
- United Kingdom (English)