Main Content

La traduzione di questa pagina non è aggiornata. Fai clic qui per vedere l'ultima versione in inglese.

Neural Net Time Series

Risolvere i problemi delle serie temporali non lineari utilizzando reti neurali dinamiche

Descrizione

L’applicazione Neural Net Time Series consente di creare, visualizzare e addestrare reti neurali dinamiche per risolvere tre diversi tipi di problemi di serie temporali non lineari.

Con questa applicazione è possibile:

  • Creare tre tipi di reti neurali: Reti NARX, reti NAR e reti input-output non lineari.

  • Importare i dati da un file, dal workspace MATLAB® o utilizzare uno dei set di dati di esempio.

  • Suddividere i dati in set di addestramento, convalida e prova.

  • Definire e addestrare una rete neurale.

  • Valutare la performance della rete utilizzando l'errore quadratico medio e l'analisi della regressione.

  • Analizzare i risultati utilizzando grafici di visualizzazione, come i grafici di autocorrelazione o un istogramma degli errori.

  • Generare script MATLAB per riprodurre i risultati e personalizzare il processo di addestramento.

  • Generare funzioni adatte a essere utilizzate con gli strumenti MATLAB Compiler™ e MATLAB Coder™ e adatte a essere esportate in Simulink® per essere utilizzate con Simulink Coder.

Nota

Per costruire, visualizzare e addestrare in modo interattivo le reti neurali di Deep Learning, utilizzare l’applicazione Deep Network Designer. Per ulteriori informazioni, vedere Come iniziare a utilizzare Deep Network Designer.

Neural Net Time Series app

Apri l’app Neural Net Time Series

  • Barra degli strumenti MATLAB: Nella scheda Apps, sotto Machine Learning and Deep Learning, fare clic sull’icona dell’app.

  • Nel prompt dei comandi MATLAB: Immettere ntstool.

Esempi

Algoritmi

L’app Neural Net Time Series fornisce algoritmi di addestramento integrati che possono essere utilizzati per addestrare la rete neurale.

Algoritmo di addestramentoDescrizione
Levenberg-Marquardt

Aggiornamento dei valori di pesi e bias secondo l'ottimizzazione di Levenberg-Marquardt. L'addestramento Levenberg-Marquardt è spesso l'algoritmo di addestramento più veloce, sebbene richieda più memoria rispetto ad altre tecniche.

Per implementare questo algoritmo, l’app Neural Net Time Series utilizza la funzione trainlm.

Regolarizzazione bayesiana

La regolarizzazione bayesiana aggiorna i valori di pesi e bias secondo l'ottimizzazione di Levenberg-Marquardt. Minimizza quindi una combinazione di errori quadratici e pesi e determina la combinazione corretta onde produrre una rete che generalizzi in modo corretto. Questo algoritmo richiede in genere più tempo, ma è in grado di generalizzare set di dati rumorosi o di piccole dimensioni in modo utile.

Per implementare questo algoritmo, l’app Neural Net Time Series utilizza la funzione trainbr.

Retropropagazione a gradiente coniugato scalato

La retropropagazione a gradiente coniugato scalato aggiorna i valori di pesi e bias secondo il metodo del gradiente coniugato scalato. Per problemi più grandi, si consiglia il gradiente coniugato scalare in quanto utilizza calcoli del gradiente più efficienti in termini di memoria rispetto ai calcoli jacobiani utilizzati da Levenberg-Marquardt o dalla regolarizzazione bayesiana.

Per implementare questo algoritmo, l’app Neural Net Time Series utilizza la funzione trainscg.

Vedi anche

App

Funzioni