Esta página es para la versión anterior. La página correspondiente en inglés ha sido eliminada en la versión actual.

Reconocimiento de patrones

Entrene una red neuronal que desea generalizar a partir de entradas de ejemplo y sus clases, y entrene codificadores automáticos

Apps

Resolver un problema de reconocimiento de patrones utilizando redes de propagación hacia adelante de dos capas

Autoencoder Clase de codificador automático

`nprtool`	Abrir la app Neural Net Pattern Recognition
`view`	Visualizar una red neuronal superficial

`trainAutoencoder`	Entrenar un codificador automático
`trainSoftmaxLayer`	Train a softmax layer for classification
`decode`	(To be removed) Decode encoded data
`encode`	(To be removed) Encode input data
`predict`	(To be removed) Reconstruct the inputs using trained autoencoder
`stack`	(To be removed) Stack encoders from several autoencoders together
`network`	(To be removed) Convert `Autoencoder` object into `network` object

`patternnet`	Generar una red de reconocimiento de patrones
`lvqnet`	(To be removed) Learning vector quantization neural network

`train`	Entrenar una red neuronal superficial
`trainlm`	Retropropagación Levenberg-Marquardt
`trainbr`	Retropropagación de regularización bayesiana
`trainscg`	Retropropagación de gradiente conjugado escalado
`trainrp`	Resilient backpropagation
`mse`	Función de rendimiento normalizada de error cuadrático medio
`roc`	Característica de funcionamiento del receptor
`plotconfusion`	Representar una matriz de confusión de clasificación
`ploterrhist`	Representar un histograma de error
`plotperform`	Representar el rendimiento de la red
`plotregression`	Representar una regresión lineal
`plotroc`	Representar la característica de funcionamiento del receptor
`plottrainstate`	Representar valores de estado de entrenamiento
`crossentropy`	(To be removed) Neural network performance
`genFunction`	(To be removed) Generate MATLAB function for simulating shallow neural network

Configurar entradas y salidas de redes neuronales superficiales
Aprenda a configurar manualmente la red antes de entrenarla con la función configure.
Dividir datos para realizar un entrenamiento de red neuronal óptimo
Use funciones para dividir los datos en conjuntos de entrenamiento, validación y prueba.

Flujo de trabajo para el diseño de redes neuronales
Aprenda los principales pasos del proceso de diseño de una red neuronal.
Redes neuronales superficiales multicapa y entrenamiento de retropropagación
Flujo de trabajo para diseñar una red neuronal prealimentada superficial multicapa para el ajuste de funciones y el reconocimiento de patrones.
Arquitectura de red neuronal superficial multicapa
Aprenda la arquitectura de una red neuronal superficial multicapa.
Conjuntos de datos de muestra para redes neuronales superficiales
Lista de conjuntos de datos de muestra que se pueden utilizar al experimentar con redes neuronales superficiales.