<< nns_simulbis (X->y) Etalonnages non linéaires (X->Y_classes) Classification >>

fact >> (X->y) Etalonnages non linéaires > nns_simulter

nns_simulter

erreurs de prédiction par un réseau de neurones à 1 couche cachée et avec biais

Sequence d'appel

[sse,gra,hes]=nns_simulter(wh,wo,x,y)

Paramètres

wh:

coefficients des neurones cachés + biais

wh est une matrice de dimensions ((q+1) x nh) ou une structure Div

nh est le nombre de neurons cachés

wo:

coefficients des neurones de sortie + biais

wo est une matrice de dimensions ((nh+1) x no) ou une structure Div

no est le nombre de neurones de sortie

x:

données d'étalonnage

x est une matrice de dimensions (n x q) ou une structure Div

y:

valeurs de référence, à prédire

y est une matrice de dimensions (n x no) ou une structure Div

sse:

somme des carrés des erreurs, pour chaque sortie

sse est une structure Div

sse.d est un vecteur de dimensions (1 x no)

gra:

dérivées partielles des sommes des carrés des erreurs, pour chaque poids et chaque sortie

gra est une structure Div

gra.d est une matrice de dimensions (nw x no)

hes:

Hessiens, approximations des dérivées seconde des sommes des carrés des erreurs, pour chaque poids et chaque sortie

hes est une hypermatrice de dimensions (nw x nw x no) ou une structure Div

nw=(q+1)*nh + (nh+1)*no

Exemples

[sse,gra,hes]=nns_simulter(wh,wo,x,y)

Bibliographie

Auteurs


Report an issue
<< nns_simulbis (X->y) Etalonnages non linéaires (X->Y_classes) Classification >>