神經網路大總結
阿新 • • 發佈：2019-01-05
1、感知神經網路
構造方法：
<span style="font-size:18px;">net=newp(PR,S,TF,LF)</span>S：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
TF:表示傳遞函式，一般預設hardlim
LF:表示學習函式，一般預設不用寫
訓練方法:
<span style="font-size:18px;">net=train(net,P,T)</span>主要作用：
主要用於分類
2、線性神經網路
構造方法：
PR=：表示資料<span style="font-size:18px;">net=newlin(P,S,ID,LR)</span>
S：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
ID：表示延遲向量
LR:表示學習速率
訓練方法:
<span style="font-size:18px;">net=train(net,P,T)</span>主要作用：
主要用於分類、迴歸、預測
3、BP神經網路
構造方法：
<span style="font-size:18px;">net=newff(P,T,S,{TF...},。。。)</span>T:表示資料的輸出
S：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
TF:表示傳遞函式，各個隱含層的傳遞函式
訓練方法:
<span style="font-size:18px;">net=train(net,P,T)</span>主要作用：
主要用於分類、迴歸、預測。
4、徑向基函式網路
構造方法：
<span style="font-size:18px;">net=newrb(P,T,Goal,spread,MN,DF)</span>T:表示資料的輸出
goal:表示均方誤差
spread:表示徑向基函式的擴充套件速度
MN:表示神經元最大數目
DF:表示兩次顯示之間所以新增的神經元數目
訓練方法:
<span style="font-size:18px;">net=train(net,P,T)</span>主要作用：
主要用於分類、迴歸、預測。
5、概率神經網路構造方法：
<span style="font-size:18px;">net=newpnn(P,T,spread)</span>T:表示資料的輸出
spread:表示徑向基函式的擴充套件速度
訓練方法:
<span style="font-size:18px;">net=train(net,P,T)</span>主要作用：
主要用於分類。
6、競爭神經網路構造方法：
<span style="font-size:18px;">net=newc(PR,S,KLR,CLR)</span>PR：表示R*2矩陣，表示資料的大小範圍，minmax函式就可以
S：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
KLR:Kohonen學習速率
CLR:Conscience表示
訓練方法:
<span style="font-size:18px;">net=train(net,PR)</span>主要作用：
主要用於分類。
7、自組織特徵對映網路構造方法：
<span style="font-size:18px;">net=newsom(P,[D1,D2,D3..],.)</span>P：表示資料
D1,D2,D3表示特徵對映網路的維數
訓練方法:
<span style="font-size:18px;">net=train(net,P)</span>主要作用：
主要用於分類。
8、學習向量化LVQ網路構造方法：
<span style="font-size:18px;">net=newlvq(PR,SL,PC,LR,LF)</span>PR：表示R*2矩陣，表示資料的大小範圍，minmax函式就可以
SL：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
PC：表示分類的百分比
LR：學習速率
LF:學習函式
訓練方法:
<span style="font-size:18px;">net=train(net,P，T)</span>主要作用：
主要用於分類。