1、感知神經網絡

?構造方法：

<span style="font-size:18px;">net=newp(PR,S,TF,LF)</span> PR：表示R*2矩陣，表示數(shù)據(jù)的大小范圍，minmax函數(shù)就可以

S：表示神經元個數(shù)，主要表示隱含層和輸出層神經元的個數(shù)，一般是個向量

TF:表示傳遞函數(shù)，一般默認hardlim

LF:表示學習函數(shù)，一般默認不用寫

訓練方法:

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

主要作用：

主要用于分類

2、線性神經網絡

構造方法：

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

S：表示神經元個數(shù)，主要表示隱含層和輸出層神經元的個數(shù)，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：

主要用于分類、回歸、預測

3、BP神經網絡

構造方法：

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

T:表示數(shù)據(jù)的輸出

S：表示神經元個數(shù)，主要表示隱含層和輸出層神經元的個數(shù)，一般是個向量

TF:表示傳遞函數(shù)，各個隱含層的傳遞函數(shù)

訓練方法:

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

主要作用：

主要用于分類、回歸、預測。

4、徑向基函數(shù)網絡

構造方法：

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

T:表示數(shù)據(jù)的輸出

goal:表示均方誤差

spread:表示徑向基函數(shù)的擴展速度

MN:表示神經元最大數(shù)目

DF:表示兩次顯示之間所以添加的神經元數(shù)目

訓練方法:

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

主要作用：

主要用于分類、回歸、預測。

5、概率神經網絡

構造方法：

<span style="font-size:18px;">net=newpnn(P,T,spread)</span> P：表示數(shù)據(jù)

T:表示數(shù)據(jù)的輸出

spread:表示徑向基函數(shù)的擴展速度

訓練方法:

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

主要作用：

主要用于分類。

6、競爭神經網絡

構造方法：

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

PR：表示R*2矩陣，表示數(shù)據(jù)的大小范圍，minmax函數(shù)就可以

S：表示神經元個數(shù)，主要表示隱含層和輸出層神經元的個數(shù)，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：

主要用于分類。

7、自組織特征映射網絡

構造方法：

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

P：表示數(shù)據(jù)

D1,D2,D3表示特征映射網絡的維數(shù)

訓練方法:

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

主要作用：

主要用于分類。

8、學習向量化LVQ網絡

構造方法：

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

PR：表示R*2矩陣，表示數(shù)據(jù)的大小范圍，minmax函數(shù)就可以

SL：表示神經元個數(shù)，主要表示隱含層和輸出層神經元的個數(shù)，一般是個向量

PC：表示分類的百分比

LR：學習速率

LF:學習函數(shù)

訓練方法:

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

主要作用：

主要用于分類。

總結

以上是生活随笔為你收集整理的神经网络大总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。