Neural Net Time Series

Resolver problemas de series de tiempo no lineales utilizando redes neuronales dinámicas

Descripción

La app Neural Net Time Series permite crear, visualizar y entrenar redes neuronales dinámicas para resolver tres tipos diferentes de problemas de series de tiempo no lineales.

Con esta app, puede:

Crear tres tipos de redes neuronales: redes NARX, redes NAR y redes de entrada-salida no lineales.
Importar datos de un archivo o del espacio de trabajo de MATLAB^®, o utilizar uno de los conjuntos de datos de ejemplo.
Dividir datos en conjuntos de entrenamiento, validación y prueba.
Definir y entrenar una red neuronal.
Evaluar el rendimiento de la red utilizando el error cuadrático medio y el análisis de regresión.
Analizar resultados utilizando gráficas de visualización, como gráficas de autocorrelación o un histograma de errores.
Generar scripts de MATLAB para reproducir resultados y personalizar el proceso de entrenamiento.
Generar funciones adecuadas para el despliegue con las herramientas MATLAB Compiler™ y MATLAB Coder™, y exportarlas a Simulink^® para su uso con Simulink Coder.

Sugerencia

Para crear y visualizar redes neuronales de deep learning de forma interactiva, utilice la app Deep Network Designer. Para obtener más información, consulte Introducción a Deep Network Designer.

Abrir la aplicación Neural Net Time Series

Barra de herramientas de MATLAB: En la pestaña Apps, en Machine Learning and Deep Learning, haga clic en el icono de la app.
Línea de comandos de MATLAB: Introduzca la función ntstool.

Ejemplos

Shallow Neural Network Time-Series Prediction and Modeling

Algoritmos

La app Neural Net Time Series proporciona algoritmos de entrenamiento integrados que puede utilizar para entrenar la red neuronal.

Algoritmo de entrenamiento Descripción

Levenberg-Marquardt

Algoritmo de entrenamiento	Descripción
Levenberg-Marquardt	Actualiza los valores de peso y sesgo de acuerdo con la optimización de Levenberg-Marquardt. El entrenamiento de Levenberg-Marquardt es, con frecuencia, el algoritmo de entrenamiento más rápido, a pesar de que requiere más memoria que otras técnicas. Para implementar este algoritmo, la app Neural Net Time Series utiliza la función `trainlm`.
Regularización bayesiana	La regularización bayesiana actualiza los valores de peso y sesgo de acuerdo con la optimización de Levenberg-Marquardt. Después, minimiza una combinación de errores cuadráticos y pesos, y determina la combinación correcta para producir una red que generalice bien. Este algoritmo suele tardar más, pero generaliza bien en conjuntos de datos con ruido o pequeños. Para implementar este algoritmo, la app Neural Net Time Series utiliza la función `trainbr`.
Retropropagación de gradiente conjugado escalado	La retropropagación de gradiente conjugado escalado actualiza los valores de peso y sesgo de acuerdo con el método de gradiente conjugado escalado. Se recomienda el gradiente conjugado escalado para problemas grandes, ya que utiliza cálculos de gradientes que son más eficientes que los cálculos jacobianos que utiliza la regularización de Levenberg-Marquardt o bayesiana. Para implementar este algoritmo, la app Neural Net Time Series utiliza la función `trainscg`.

Actualiza los valores de peso y sesgo de acuerdo con la optimización de Levenberg-Marquardt. El entrenamiento de Levenberg-Marquardt es, con frecuencia, el algoritmo de entrenamiento más rápido, a pesar de que requiere más memoria que otras técnicas.

Para implementar este algoritmo, la app Neural Net Time Series utiliza la función trainlm.

Regularización bayesiana

La regularización bayesiana actualiza los valores de peso y sesgo de acuerdo con la optimización de Levenberg-Marquardt. Después, minimiza una combinación de errores cuadráticos y pesos, y determina la combinación correcta para producir una red que generalice bien. Este algoritmo suele tardar más, pero generaliza bien en conjuntos de datos con ruido o pequeños.

Para implementar este algoritmo, la app Neural Net Time Series utiliza la función trainbr.

Retropropagación de gradiente conjugado escalado

La retropropagación de gradiente conjugado escalado actualiza los valores de peso y sesgo de acuerdo con el método de gradiente conjugado escalado. Se recomienda el gradiente conjugado escalado para problemas grandes, ya que utiliza cálculos de gradientes que son más eficientes que los cálculos jacobianos que utiliza la regularización de Levenberg-Marquardt o bayesiana.

Para implementar este algoritmo, la app Neural Net Time Series utiliza la función trainscg.

Consulte también

Apps

Neural Net Fitting | Neural Net Clustering | Neural Net Pattern Recognition

Funciones

narxnet | narnet | closeloop | train | preparets | perform | removedelay