newpnn

Diseñar una red neuronal probabilística

Sintaxis

net = newpnn(P,T,spread)

Descripción

Las redes neuronales probabilísticas (PNN) son un tipo de red de base radial adecuado para problemas de clasificación.

net = newpnn(P,T,spread) toma dos o tres argumentos:

`P`	Matriz de `R` por `Q` de vectores de entrada `Q`
`T`	Matriz de `S` por `Q` de vectores de clase objetivo `Q`
`spread`	Dispersión de funciones de base radial (predeterminado = 0.1)

y devuelve una nueva red neuronal probabilística.

Si spread es próximo a cero, la red actúa como un clasificador de vecinos más cercanos. A medida que spread se vuelve más grande, la red diseñada tiene en cuenta varios vectores de diseño cercanos.

Ejemplos

Aquí, un problema de clasificación se define con un conjunto de entradas P e índices de clase Tc.

P = [1 2 3 4 5 6 7];
Tc = [1 2 3 2 2 3 1];

Los índices de clase se convierten a vectores objetivo y se diseña y se prueba una PNN.

T = ind2vec(Tc)
net = newpnn(P,T);
Y = sim(net,P)
Yc = vec2ind(Y)

Algoritmos

newpnn crea una red de dos capas. La primera capa tiene neuronas radbas, y calcula sus entradas ponderadas con dist y su entrada combinada con netprod. La segunda capa tiene neuronas compet, y calcula su entrada ponderada con dotprod y sus entradas combinadas con netsum. Solo la primera capa tiene sesgos.

newpnn establece los pesos de la primera capa en P', y todos los sesgos de la primera capa se establecen en 0.8326/spread, lo que genera funciones de base radial que cruzan 0,5 en las entradas ponderadas de +/– spread. Los pesos de la segunda capa, W2, se establecen en T.

Referencias

Wasserman, P.D., Advanced Methods in Neural Computing, Nueva York, Van Nostrand Reinhold, 1993, pp. 35–55

Historial de versiones

Introducido antes de R2006a

Consulte también