newpnn

R2026b

(제거될 예정임) 확률 신경망 설계

newpnn 함수는 향후 릴리스에서 제거될 예정입니다. 자세한 내용은 레거시 신경망 코드를 dlnetwork 워크플로로 전환하기 항목을 참조하십시오.

코드 업데이트에 대한 자세한 지침은 버전 내역 항목을 참조하십시오.

구문

net = newpnn(P,T,spread)

설명

확률 신경망(PNN)은 분류 문제에 적합한 일종의 방사형 기저 신경망입니다.

net = newpnn(P,T,spread)는 다음과 같은 2개 또는 3개의 인수를 받습니다.

`P`	`Q`개의 입력 벡터로 구성된 `R`×`Q` 행렬
`T`	`Q`개의 목표 클래스 벡터로 구성된 `S`×`Q` 행렬
`spread`	방사형 기저 함수의 산포(디폴트 값 = 0.1)

그런 다음 새로운 확률 신경망을 반환합니다.

spread가 0에 가까우면 신경망은 최근접이웃 분류기 역할을 합니다. spread가 커지면 설계된 신경망은 인접한 여러 설계 벡터를 고려합니다.

예제

여기에서는 분류 문제를 입력값 세트 P 및 클래스 인덱스 Tc로 정의합니다.

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

클래스 인덱스를 목표 벡터로 변환하고 PNN을 설계하고 테스트합니다.

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

알고리즘

newpnn은 2계층 신경망을 만듭니다. 첫 번째 계층은 radbas 뉴런을 가지며, dist를 사용하여 가중 입력값을, netprod를 사용하여 순 입력값을 계산합니다. 두 번째 계층은 compet 뉴런을 가지며, dotprod를 사용하여 가중 입력값을, netsum을 사용하여 순 입력값을 계산합니다. 첫 번째 계층만 편향을 갖습니다.

newpnn은 첫 번째 계층 가중치를 P'으로 설정하고 첫 번째 계층 편향은 모두 0.8326/spread로 설정되므로 +/– spread의 가중 입력값에서 0.5를 지나는 방사형 기저 함수가 생성됩니다. 두 번째 계층 가중치 W2는 T로 설정됩니다.

참고 문헌

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

버전 내역

R2006a 이전에 개발됨

모두 축소

R2026a: `newpnn` 함수는 제거될 예정임

newpnn 함수는 향후 릴리스에서 제거될 예정입니다.

테이블 형식 데이터를 사용하여 신경망을 훈련시키려면 다음 함수 중 하나를 사용하십시오.

fitrnet (Statistics and Machine Learning Toolbox) — 회귀 신경망을 훈련시킵니다. 단순 회귀 작업에 이 함수를 사용하십시오.
fitcnet (Statistics and Machine Learning Toolbox) — 분류 신경망을 훈련시킵니다. 단순 분류 작업에 이 함수를 사용하십시오.
trainnet — 신경망을 훈련시킵니다. fitrnet 함수와 fitcnet 함수가 작업에 필요한 훈련 옵션을 제공하지 않는 경우 이 함수를 사용하십시오.

시계열 데이터를 사용하여 신경망을 훈련시키려면 다음 옵션 중 하나를 사용하십시오.

시계열 모델러 앱 — 시계열 데이터를 위한 신경망을 대화형 방식으로 설계하고 훈련시킵니다.
trainnet — 신경망을 훈련시킵니다. 신경망 아키텍처나 훈련 알고리즘에 더 많은 유연성이 필요한 경우 이 함수를 사용하십시오.

이러한 워크플로에 맞게 고유한 신경망을 설계하고 사용자 지정하려면 딥러닝 계층으로 구성된 배열이나 dlnetwork 객체를 사용하여 신경망을 만들면 됩니다. 신경망을 대화형 방식으로 생성 및 편집하고 코드를 생성하려면 심층 신경망 디자이너 앱을 사용하십시오. 신경망 구축 워크플로에 대해 자세히 알아보려면 다음 예제와 항목을 참조하십시오.

자세한 내용은 레거시 신경망 코드를 dlnetwork 워크플로로 전환하기 항목을 참조하십시오.

참고 항목