Notebook. Нейронные сети

Выходные данные неизвестны.
В пособии рассмотрена практическая реализация искусственных нейронных сетей в программной среде MatLAB.
Оглавление:
Глава 2
С34. Единичная функция активации с жестким ограничением hardlim.
C34. Линейная функция активации purelin.
C34. Логистическая функция активации logsig.
C42. Формирование архитектуры нейронной сети.
C42. Инициализация нейронной сети.
C43. Моделирование сети.
Глава 3
C52. Адаптация нейронных сетей.
С56. Динамические сети.
C58. Обучение нейронных сетей
Градиентные алгоритмы обучения.
С67. Алгоритм GD.
С69. Алгоритм GDM
С72. Алгоритм GDA
С73. Алгоритм Rprop
Алгоритмы метода сопряженных градиентов.
C76. Алгоритм CGF
C78. Алгоритм CGP
C79. Алгоритм CGB
C80. Алгоритм SCG
Квазиньютоновы алгоритмы
C81. Алгоритм BFGS
C82. Алгоритм OSS
C83. Алгоритм LM
Расширение возможностей процедур обучения.
C89. Переобучение.
C91. Метод регуляризации.
Автоматическая регуляризация.
C94. Формирование представительной выборки
C96. Предварительная обработка и восстановление данных.
Регрессионный анализ.
Пример процедуры обучения.
Глава 4. Персептроны
С104. Модель персептрона.
C105. Моделирование персептрона.
C106. Инициализация параметров.
С108. Правила настройки параметров персептрона.
С110. Процедура адаптации.
Глава 5. Линейные сети
C117. Создание модели линейной сети.
C118. Обучение линейной сети.
Процедура настройки.
C120. Процедура обучения.
C122. Применение линейных сетей.
Задача классификации векторов.
C124. Фильтрация сигнала.
C125. Предсказание сигнала.
Глава 6. Радиальные базисные сети
С134. Радиальная базисная сеть с нулевой ошибкой
С135. Итерационная процедура формирования сети.
C137. Примеры радиальных базисных сетей.
C140. Сети GRNN.
C144. Сети PNN.
Глава 7
С149. Слой Кохонена.
C153. Пример.
С155. Карта Кохонена.
Создание сети.
Обучение сети
C165. Одномерная карта Кохонена.
C166. Двумерная карта Кохонена
C169. LVQ-сети.
Создание сети.
Процедура обучения
Глава 8
C175. Сети Элмана.
Создание сети
Обучение сети.
Проверка сети
C181. Сети Хопфилда.
Синтез сети
С186. Пример.
Глава 9
Аппроксимация и фильтрация сигналов.
C188. Предсказание стационарного сигнала.
C192. Слежение за нестационарным сигналом.
C194. Моделирование стационарного фильтра.
C197. Моделирование нестационарного фильтра.
С199. Распознавание образов.
Инициализация сети
Обучение в отсутствии шума
Обучение в присутствии шума
Повторное обучение в отсутствии шума
Эффективность функционирования системы
Глава 11
Модели сетей
С245. NETWORK
C248. NEWP
C250. NEWLIN
C253. NEWLIND
Многослойные сети.
С255. NEWFF
C258. NEWFFTD
C260. NEWCF
Радиальные базисные сети
С263. NEWRB
С265. NEWRBE
С267. NEWGRNN
С269. NEWPNN
Самоорганизующиеся сети
С271. NEWC
С273. NEWSOM
Сети – классификаторы входных векторов.
С276. NEWLVQ
Рекуррентные сети
С277. NEWLM
C280. NEWHOP
Функции активации
Персептрон
С282. HARDLIM
С283. HARDLIMS
Линейные сети
С284. PURELIN
С285. POSLIN
С286. SATLIN
С288. SATLINS
Радиальные базисные сети
С289. RADBAS
С290. TRIBAS
Самоогрганизующиеся сети
С292. COMPET
C293. SOFTMAX
Рекуррентные сети
С294. LOGSIG
С296. TANSIG
Синаптические функции
Функции взвешивания и расстояний
С298. DOTPROD
C299. NORMPROD
C300. DIST
C302. NEGDIST
C303. MANDIST
C305. BOXDIST
С306. LINKDIST
Функции накопления
С307. NETSUM
C309. NETPROD
Функции инициализации
С310. INIT
С314. INITZERO
С315. MIDPOINT
С316. RANDS
С317. RANDNC
С318. RANDNR
С318. INITCON
Функции адаптации и обучения
Функции адаптации
С325. TRAINS
Функции обучения
С331. TRAINB
C334. TRAINC
C337. TRAINR
Градиентные алгоритмы обучения
С344. TRAINGD
С346. TRAINGDA
С348. TRAINGDM
С351. TRAINGDX
C353. TRAINRP
Алгоритмы метода сопряженных градиентов
C356. TRAINCGF
C358. TRAINCGP
C361. TRAINCGB
C363. TRAINSCG
Квазиньютоновы алгоритмы обучения
C365. TRAINBFG
C368. TRAINOSS
C370. TRAIMLM
С373. TRAINBR
Функции оценки качества обучения
С377. SSE
C378. MSE
С379. MSEREG
C381. MAE
Функции настройки параметров
С383. LEARNP
С384. LEARNPN
С385. LEARNWH
C387. LEARNGD
C388. LEARNGDM
C389. LEARNLV1
C391. LEARNLV2
C392. LEARNK
C394. LEARNCON
C395. LEARNIS
C396. LEARNOS
C397. LEARNSOM
C399. LEARNH
C400. MAXLINLR
С401. LEARNHD
Функции одномерного поиска
С404. SRCHGOL
С405. SRCHBRE
С406. SRCHHYB
С408. SRCHCHA
С409. SRCHBAC
Масштабирование и восстановление данных
С410. PREMNMX
C411. PRESTD
C412. PREPCA
C413. POSTMNNMX
C414. POSTSTD
C415. POSTREG
C417. TRAMNMX
C417. TRASTD
C418. TRAPCA
Вспомогательные функции
С420. CALCA
C422. CALCA1
C423. CALCPD
C424. CALCE
C425. CALCE1
C426. FORMX
C428. GETX
C428. SETX
C429. CALCPERF
C430. CALCGX
C432. CALCJX
C433. CALCJEJJ
Операции с массивами данных
С436. CELL2MAT
C437. COMBVEC
C438. CON2SEQ, SEQ2CON
C439. CONCUR
C440. IND2VEC, VEC2IND
C441. MAT2CELL
C441. MINMAX
C442. NORMC, NORMR
C442. PNORMC
С443. QUANT
С443. SUMSQR
Графические утилиты
С443. PLOTV
C444. PLOTVEC
C445. PLOTPV
С446. PLOTPC
C448. HINTONW
C449. HINTONWB
C450. PLOTPERF
C451. ERRSURF, PLOTES
С452. PLOTEP
Информация о сети и ее топологии
С454. DISP, DISPLAY
C455. PLOTSOM
С457. GRIDTOP
С457. HEXTOP
С458. RANDTOP
Моделирование нейронных сетей и система Simulink
Функции моделирования сети
С459. SIM
Построение моделей нейронных сетей
С465. GENSIM
С470. GENSIMM