fitnet

函数拟合神经网络

语法

net = fitnet(hiddenSizes)

net = fitnet(hiddenSizes,trainFcn)

net = fitnet(hiddenSizes) 返回函数拟合神经网络，其隐藏层大小为 hiddenSizes。

net = fitnet(hiddenSizes,trainFcn) 返回函数拟合神经网络，其隐藏层大小为 hiddenSizes，训练函数由 trainFcn 指定。

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。

构造函数拟合神经网络，其中一个隐藏层的大小为 10。

net = fitnet(10);

查看该网络。

view(net)

输入和输出的大小均为零。软件在训练期间根据训练数据调整这些项的大小。

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)

您可以看到输入和输出的大小均为 1。

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 = 1.4639e-04

函数拟合网络的默认训练算法是莱文贝格-马夸特 ('trainlm')。使用贝叶斯正则化训练算法并比较性能结果。

net = fitnet(10,'trainbr');
net = train(net,x,t);

y = net(x);
perf = perform(net,y,t)

perf = 3.3416e-10

贝叶斯正则化训练算法提高了网络在估计目标值方面的性能。

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

训练函数名称，指定为下列各项之一。