神经网络工具箱 神经网络 该网络收到35 布尔值为35 元输入向量。然后要求 确定的信作出答复，以 26 元的输出载体。 26 个要素的输出 载体每个代表的信。要正确运行，该网络应以 1 立场信提交给网络。所有其他值输出载体应 为0 。 此外，该网络应该能够处理噪音。在实践中，没有收到网络 一个完美的布尔向量作为输入。具体来说，该网络应少作错误的 分类时，可能与噪声向量意味着 0 ，标准偏差为0.2 或更低。 建筑 神经网络需要投入35 元和 26 日在其输出层，以确定字母。那个 网络是一个两层登录乙状结肠/登录乙状结肠网络。登入乙状结肠传递函数 选择，因为它的输出电压范围（ 0 至 1 ）是完美的学习输出布尔值。 隐藏（一）层有 10 个神经元。这是挑选一些猜测和经验。如果 该网络的学习问题，那么神经细胞可以被添加到这一层。 该网络的培训输出 1 的正确立场和输出向量，以填补其余 输出载体 0 的。然而，噪声输入载体可能导致网络无法创造 完美的 1 和 0 的。在网络训练输出是通过竞争 传递函数竞争。这可以确保输出相应的信最喜欢 喧闹的需要对输入向量的值为1 ，和所有其他的值为0 。这样做的结果 后处理是输出，实际使用。 初始化 双层网络创建 newff 。 一= 10 ; [ R 厂] =大小（拼音） ; [二厂] =大小（目标） ; P 值的字母; 净额= newff （最小最大（规划） ， [中一中二] ， （ ' logsig ' logsig ' ） ， ' traingdx ' ） ; 神经网络工具箱 导言 反向是由泛化的 Widrow -霍夫学习规则的多层 网络和非线性微转移的职能。输入向量和相应的 目标向量用来训练网络，直到它可以近似函数，准投入 载体具体输出载体，或分类输入矢量以适当的方式所定义的 您。网络的偏见，一个乙状结肠层，和一个线性输出层有能力 逼近任何函数的有限数量的不连续性。 标准反向传播是一种梯度下降法，这是因为Widrow -霍夫学习规则， 该网络的重量是沿着负梯度的业绩 功能。任期反向是指以何种方式计算的梯度 非线性多层网络。有一些变化的基本算法，该算法是 其他标准的基础上优化技术，如共轭梯度法和牛顿 方法。神经网络工具箱实现其中的一些变化。本章 说明如何使用所有这些例程和讨论的优点和缺点 每个。 适当的培训反向网络往往给予合理的答案时提出 投入，他们从来没有见过。一般来说，一个新的输入导致输出类似于正确 输出输入矢量用...
