神经网络大总结

1、感知神经网络

 构造方法:

<span style="font-size:18px;">net=newp(PR,S,TF,LF)</span>
PR:表示R*2矩阵,表示数据的大小范围,minmax函数就可以

S:表示神经元个数,主要表示隐含层和输出层神经元的个数,一般是个向量

TF:表示传递函数,一般默认hardlim

LF:表示学习函数,一般默认不用写

训练方法:

<span style="font-size:18px;">net=train(net,P,T)</span>

主要作用:

主要用于分类

2、线性神经网络

构造方法:

<span style="font-size:18px;">net=newlin(P,S,ID,LR)</span>
PR=:表示数据

S:表示神经元个数,主要表示隐含层和输出层神经元的个数,一般是个向量

ID:表示延迟向量

LR:表示学习速率

训练方法:

<span style="font-size:18px;">net=train(net,P,T)</span>


主要作用:

主要用于分类、回归、预测

3、BP神经网络

构造方法:

<span style="font-size:18px;">net=newff(P,T,S,{TF...},。。。)</span>
P:表示数据

T:表示数据的输出

S:表示神经元个数,主要表示隐含层和输出层神经元的个数,一般是个向量

TF:表示传递函数,各个隐含层的传递函数

训练方法:

<span style="font-size:18px;">net=train(net,P,T)</span>

主要作用:

主要用于分类、回归、预测。

4、径向基函数网络

构造方法:

<span style="font-size:18px;">net=newrb(P,T,Goal,spread,MN,DF)</span>
P:表示数据

T:表示数据的输出

goal:表示均方误差

spread:表示径向基函数的扩展速度

MN:表示神经元最大数目

DF:表示两次显示之间所以添加的神经元数目

训练方法:

<span style="font-size:18px;">net=train(net,P,T)</span>

主要作用:

主要用于分类、回归、预测。


5、概率神经网络

构造方法:

<span style="font-size:18px;">net=newpnn(P,T,spread)</span>
P:表示数据

T:表示数据的输出

spread:表示径向基函数的扩展速度


训练方法:

<span style="font-size:18px;">net=train(net,P,T)</span>

主要作用:

主要用于分类。

6、竞争神经网络

构造方法:

<span style="font-size:18px;">net=newc(PR,S,KLR,CLR)</span>

PR:表示R*2矩阵,表示数据的大小范围,minmax函数就可以

S:表示神经元个数,主要表示隐含层和输出层神经元的个数,一般是个向量

KLR:Kohonen学习速率

CLR:Conscience表示

训练方法:

<span style="font-size:18px;">net=train(net,PR)</span>

主要作用:

主要用于分类。

7、自组织特征映射网络

构造方法:

<span style="font-size:18px;">net=newsom(P,[D1,D2,D3..],.)</span>

P:表示数据

D1,D2,D3表示特征映射网络的维数

训练方法:

<span style="font-size:18px;">net=train(net,P)</span>

主要作用:

主要用于分类。

8、学习向量化LVQ网络

构造方法:

<span style="font-size:18px;">net=newlvq(PR,SL,PC,LR,LF)</span>

PR:表示R*2矩阵,表示数据的大小范围,minmax函数就可以

SL:表示神经元个数,主要表示隐含层和输出层神经元的个数,一般是个向量

PC:表示分类的百分比

LR:学习速率

LF:学习函数

训练方法:

<span style="font-size:18px;">net=train(net,P,T)</span>

主要作用:

主要用于分类。



你可能感兴趣的:(神经网络大总结)