Привет, я работаю с набором инструментов нейронной сети в Matlab. Моя проблема не с набором инструментов, а с подготовкой данных перед его использованием и с моим результирующим результатом. Я стандартизирую входные и выходные данные, на которых я обучаю сеть, но это означает, что мой предполагаемый результат, когда я моделирую сеть на новом наборе значений, также имеет нулевое среднее и единичное отклонение. Я не хочу этого, потому что, хотя предполагаемый результат правильно следует тренду и амплитуде изменений моего целевого выхода, я хочу, чтобы физические значения не были этими стандартизированными значениями. Есть ли способ «дестандартизировать» мой вывод, то есть добавить среднее значение и умножить на стандартное отклонение. Среднее значение моего временного ряда непостоянно, поэтому я уверен, что это не так просто, как я сказал.
ПРИМЕЧАНИЕ.
Matlabsolutions.com предоставляет последнюю Помощь по домашним заданиям MatLab, Помощь по назначению MatLab, Помощь по финансовым заданиям для студентов, инженеров и исследователей в нескольких отраслях, таких как ECE, EEE, CSE, Mechanical, Civil со 100% выходом. Код Matlab для BE, B.Tech, ME, M.Tech, Ph.D. Ученые со 100% конфиденциальностью гарантированы. Получите проекты MATLAB с исходным кодом для обучения и исследований.
› Я стандартизирую входные и выходные данные, на которых я обучаю сеть, но это означает, что мой предполагаемый ›выход, когда я моделирую сеть на новом ›наборе значений, также имеет нулевое среднее и единичное отклонение.
В лучшем из миров!
Затем вы можете использовать среднее значение и дисперсию исходных выходных данных, чтобы преобразовать новые выходные данные в правильное местоположение и масштаб.
Основное предположение моделей регрессии и классификации NN состоит в том, что можно предположить, что как проектные (train + val), так и непроектные (тестовые) данные получены из одного и того же распределения вероятностей.
Если вы ожидаете, что это предположение может оказаться неверным для новых входных данных, вы всегда можете сравнить сводную статистику (например, среднее значение, дисперсию, корреляции…) новых входных данных со статистикой исходных входных данных (дизайн + тест).
Вы также можете сравнить выходные данные, когда новые входные данные нормализованы с их собственным средним значением и дисперсией по сравнению с использованием среднего значения и дисперсии исходных данных.
Вы используете newfit(~newff) или fitnet(~feedforwardnet)?
Ваши первоначальные стандартизации выполнены с помощью mapstd перед созданием сети или вы используете net.input{i}.processFcn, (i = 1,2)?
›Я не хочу этого, потому что пока
СМОТРИТЕ ПОЛНЫЙ ОТВЕТ НАЖМИТЕ НА ССЫЛКУ
