Die Übersetzung dieser Seite ist veraltet. Klicken Sie hier, um die neueste Version auf Englisch zu sehen.

Mehrschichtige flache neuronale Netze und Backpropagationstraining

Das mehrschichtige, flache neuronale Feed-Forward-Netz kann sowohl für Funktionsanpassungs- als auch Mustererkennungsprobleme verwendet werden. Wird eine gekoppelte Verzögerungslinie hinzugefügt, kann es auch für Vorhersageprobleme eingesetzt werden, wie unter Design Time Series Time-Delay Neural Networks erörtert. Dieses Thema erläutert die Verwendung eines mehrschichtigen Netzes. Ebenfalls werden hier die grundlegenden Verfahren zur Entwicklung eines neuronalen Netzes beschrieben.

Hinweis

Die in diesem Thema beschriebenen Trainingsfunktionen sind nicht auf mehrschichtige Netze beschränkt. Sie können verwendet werden, um beliebige Architekturen (selbst benutzerdefinierte Netze) zu trainieren, wenn deren Komponenten differenzierbar sind.

Der Workflow zum Entwickeln allgemeiner neuronaler Netze umfasst sieben primäre Schritte:

1. Erfassen von Daten

2. Erstellen des Netzes

3. Konfigurieren des Netzes

4. Initialisieren der Gewichtungen und Verzerrungen

5. Trainieren des Netzes

6. Validieren des Netzes (Post-Training-Analyse)

7. Verwenden des Netzes

Schritt 1 kann außerhalb des Frameworks der Deep Learning Toolbox™-Software erfolgen, ist aber für den Erfolg des Entwurfsprozesses höchst wichtig.

Einzelheiten zu diesem Workflow werden in diesen Abschnitten erläutert:

• Multilayer Shallow Neural Network Architecture

• Prepare Data for Multilayer Shallow Neural Networks

• Create, Configure, and Initialize Multilayer Shallow Neural Networks

• Train and Apply Multilayer Shallow Neural Networks

• Analyze Shallow Neural Network Performance After Training

• Use the Network

• Limitations and Cautions

Optionale Workflow-Schritte werden in diesen Abschnitten erläutert:

• Choose Neural Network Input-Output Processing Functions

• Divide Data for Optimal Neural Network Training

• Shallow Neural Networks with Parallel and GPU Computing

Mehr über Zeitreihen, dynamische Modellierung und Vorhersage erfahren Sie in diesem Abschnitt:

• How Dynamic Neural Networks Work