fpderiv

Enviar hacia adelante la función de derivada

Sintaxis

fpderiv('dperf_dwb',net,X,T,Xi,Ai,EW)
fpderiv('de_dwb',net,X,T,Xi,Ai,EW)

Descripción

Esta función calcula las derivadas utilizando la regla de la cadena desde las entradas hasta las salidas, y en el caso de las redes dinámicas, hacia adelante en el tiempo.

fpderiv('dperf_dwb',net,X,T,Xi,Ai,EW) toma los argumentos siguientes:

net

Red neuronal

X

Entradas, una matriz de R por Q (o un arreglo de celdas de N por TS de matrices de Ri por Q)

T

Objetivos, una matriz de S por Q (o un arreglo de celdas de M por TS de matrices de Si por Q)

Xi

Estados de retardo de entrada iniciales (opcionales)

Ai

Estados de retardo de capa iniciales (opcionales)

EW

Pesos de errores (opcionales)

y devuelve el gradiente del rendimiento en relación con los pesos y sesgos de la red, donde R y S son el número de elementos de entrada y salida y Q es el número de ejemplos (o N y M son el número de señales de entrada y salida, Ri y Si son el número de cada elemento de entrada y salida y TS es el número de series de tiempo).

fpderiv('de_dwb',net,X,T,Xi,Ai,EW) devuelve la jacobiana de los errores en relación con los pesos y los sesgos de la red.

Ejemplos

Aquí se entrena una red prealimentada y se calculan su jacobiana y su gradiente.

[x,t] = simplefit_dataset;
net = feedforwardnet(20);
net = train(net,x,t);
y = net(x);
perf = perform(net,t,y);
gwb = fpderiv('dperf_dwb',net,x,t)
jwb = fpderiv('de_dwb',net,x,t)

Historial de versiones

Introducido en R2010b

Consulte también

| | | |