Neural Net Time Series
(Zu entfernen) Lösung von nichtlinearen Zeitreihenproblemen mit dynamischen neuronalen Netzen
Die App The Neural Net Time Series wird in einer zukünftigen Version entfernt. Weitere Informationen finden Sie unter Transition Legacy Neural Network Code to dlnetwork Workflows.
Ratschläge zur Aktualisierung Ihres Codes finden Sie unter Versionsverlauf.
Beschreibung
Mit der Anwendung Neural Net Time Series können Sie dynamische neuronale Netze erstellen, visualisieren und trainieren, um drei verschiedene Arten nichtlinearer Zeitreihenprobleme zu lösen.
Mit dieser App können Sie:
Drei verschiedene Typen neuronaler Netze erstellen: NARX-Netze, NAR-Netze und nichtlineare Eingangs-/Ausgangsnetze.
Daten aus einer Datei oder dem MATLAB®-Workspace importieren oder einen der Beispieldatensätze verwenden.
Die Daten in Trainings-, Validierungs- und Testmengen unterteilen.
Ein neuronales Netz definieren und trainieren.
Die Netzleistung anhand des mittleren quadratischen Fehlers und der Regressionsanalyse bewerten.
Die Ergebnisse mit Hilfe von Visualisierungsdiagrammen, wie z. B. Autokorrelationsdiagrammen oder einem Histogramm der Fehler analysieren.
MATLAB-Skripte erzeugen, um Ergebnisse zu reproduzieren und den Trainingsprozess anzupassen.
Funktionen generieren, die für den Einsatz mit MATLAB Compiler™ und MATLAB Coder™-Tools geeignet sind, und Sie nach Simulink® zur Verwendung mit Simulink Coder exportieren.
Tipp
Zum interaktiven Erstellen und Trainieren tiefer neuronaler Netze für Zeitreihenaufgaben verwenden Sie die App Time Series Modeler. Weitere Informationen finden Sie unter Get Started with Time Series Forecasting.
Öffnen Sie die Neural Net Time Series-App
Vor R2026a: MATLAB-Symbolleiste: Klicken Sie auf der Registerkarte Apps unter Machine Learning and Deep Learning auf das App-Symbol.
MATLAB-Eingabeaufforderung: Geben Sie
ntstoolein.
Algorithmen
Die App Neural Net Time Series bietet integrierte Trainingsalgorithmen, mit denen Sie Ihr neuronales Netz trainieren können.
| Trainingsalgorithmus | Beschreibung |
|---|---|
| Levenberg-Marquardt | Aktualisieren Sie die Gewichtungs- und Verzerrungswerte gemäß der Levenberg-Marquardt-Optimierung. Das Levenberg-Marquardt-Training ist häufig der schnellste Trainingsalgorithmus, obwohl er mehr Speicherplatz benötigt als andere Techniken. Um diesen Algorithmus zu implementieren, verwendet die App Neural Net Time Series die Funktion |
| Bayes‘sche Regularisierung | Die Bayes'sche Regularisierung aktualisiert die Gewichtungs- und Verzerrungswerte gemäß der Levenberg-Marquardt-Optimierung. Sie minimiert dann eine Kombination aus quadrierten Fehlern und Gewichten und bestimmt die richtige Kombination, um ein gut verallgemeinerndes Netz zu erzeugen. Dieser Algorithmus nimmt in der Regel mehr Zeit in Anspruch, ist aber gut geeignet, um verrauschte oder kleine Datensätze zu verallgemeinern. Um diesen Algorithmus zu implementieren, verwendet die App Neural Net Time Series die Funktion |
Skalierte konjugierte Gradienten-Backpropagation | Die skalierte konjugierte Gradienten-Backpropagation aktualisiert die Gewichtungs- und Verzerrungswerte nach der Methode des skalierten konjugierten Gradienten. Für große Probleme wird die skalierte konjugierte Gradienten-Backpropagation empfohlen, da sie Gradientenberechnungen verwendet, die speichereffizienter sind als die von Levenberg-Marquardt und von der Bayes'schen Regularisierung verwendeten Jacobi-Berechnungen. Um diesen Algorithmus zu implementieren, verwendet die App Neural Net Time Series die Funktion |
Versionsverlauf
Siehe auch
Time Series Modeler | Deep Network Designer | Deep Network Quantizer | Experiment Manager | Classification Learner (Statistics and Machine Learning Toolbox) | Regression Learner (Statistics and Machine Learning Toolbox) | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork
