这是神经网络的
Neural Network Toolbox
For Use with MATLAB
®
Howard Demuth
Mark Beale
1
Introduction
Neural Networks
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-2
Getting Started
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-4
Basic Chapters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-4
Help and Installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-4
Whats New in 3.0
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-5
Other New Algorithms and Functions . . . . . . . . . . . . . . . . . . . . .
1-5
Modular Network Representation . . . . . . . . . . . . . . . . . . . . . . . .
1-5
Simulink Simulation Support . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-5
General Toolbox Improvements . . . . . . . . . . . . . . . . . . . . . . . . . .
1-5
Reduced Memory Levenberg-Marquardt Algorithm
. . . . . . .
1-6
Other New Networks, Algorithms and Improvements
. . . . .
1-7
Resilient Backpropagation (Rprop) . . . . . . . . . . . . . . . . . . . . . . .
1-7
Conjugate Gradient Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . .
1-7
Quasi-Newton Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-7
BFGS Quasi Newton Algorithm . . . . . . . . . . . . . . . . . . . . . . . .
1-7
A One Step Secant Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . .
1-7
Speed Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-8
Improving Generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-9
Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-9
Early Stopping With Validation . . . . . . . . . . . . . . . . . . . . . . . .
1-9
Pre and Post Processing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-9
Scale Minimum and Maximum . . . . . . . . . . . . . . . . . . . . . . .
1-10
Scale Mean and Standard Deviation . . . . . . . . . . . . . . . . . . .
1-10
Principal Component Analysis . . . . . . . . . . . . . . . . . . . . . . . .
1-10
Post-training Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-10
New Training Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-10
Probabilistic Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . .
1-11
Generalized Regression Networks . . . . . . . . . . . . . . . . . . . . . . .
1-11
ii
Contents
Modular Network Representation
. . . . . . . . . . . . . . . . . . . . .
1-12
Better Simulink Support
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-13
General Toolbox Improvements
. . . . . . . . . . . . . . . . . . . . . . .
1-14
Simpler and More Extensible Toolbox . . . . . . . . . . . . . . . . . . .
1-14
Custom Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-15
Neural Network Applications
. . . . . . . . . . . . . . . . . . . . . . . . .
1-16
Aerospace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-16
Automotive . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-16
Banking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-16
Defense . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-16
Electronics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-16
Entertainment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-17
Financial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-17
Insurance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-17
Manufacturing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-17
Medical . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-17
Oil and Gas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-17
Robotics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-17
Speech . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-18
Securities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-18
Telecommunications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-18
Transportation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-18
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-18
Neural Network Design Book
. . . . . . . . . . . . . . . . . . . . . . . . .
1-19
Acknowledgments
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1-20
2
Neuron Model and Network Architectures
Basic Chapters
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-2
Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-2
Mathematical Notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-2
Mathematical and Code Equivalents . . . . . . . . . . . . . . . . . . .
2-2
iii
Neuron Model
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-4
Simple Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-4
Transfer Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-5
Neuron With Vector Input . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-7
Network Architectures
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2-10
A Layer of Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-10
Inputs and Layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-11
Multiple Layers of Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-13
Data Structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-15
Simulation With Concurrent Inputs in a Static Network . . . . 2-15
Simulation With Sequential Inputs in a Dynamic Network . . 2-16
Simulation With Concurrent Inputs in a Dynamic Network . 2-18
Training Styles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-20
Incremental Training (of Adaptive and Other Networks) . . . . 2-20
Incremental Training with Static Networks . . . . . . . . . . . . 2-20
Incremental Training With Dynamic Networks . . . . . . . . . 2-22
Batch Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-22
Batch Training With Static Networks . . . . . . . . . . . . . . . . . 2-22
Batch Training With Dynamic Networks . . . . . . . . . . . . . . . 2-24
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-26
Figures and Equations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-28
Simple Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-28
Hard Limit Transfer Function . . . . . . . . . . . . . . . . . . . . . . . 2-28
Purelin Transfer Function . . . . . . . . . . . . . . . . . . . . . . . . . . 2-28
Log Sigmoid Transfer Function . . . . . . . . . . . . . . . . . . . . . . 2-29
Neuron With Vector Input . . . . . . . . . . . . . . . . . . . . . . . . . . 2-29
Net Input . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-29
Single Neuron Using Abbreviated Notation . . . . . . . . . . . . 2-30
Icons for Transfer Functions . . . . . . . . . . . . . . . . . . . . . . . . . 2-30
Layer of Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-30
Three Layers of Neurons . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-31
Weight Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2-31
Layer of Neurons, Abbreviated Notation . . . . . . . . . . . . . . . 2-32
Layer of Neurons Showing Indices . . . . . . . . . . . . . . . . . . . . 2-32
Three Layers, Abbreviated Notation . . . . . . . . . . . . . . . . . . 2-33
Linear Neuron With Two Element Vector Input. . . . . . . . . 2-34
Dynamic Network With One Delay. . . . . . . . . . . . . . . . . . . . 2-34
iv Contents
3
Perceptrons
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-2
Important Perceptron Functions . . . . . . . . . . . . . . . . . . . . . . . . . 3-3
Neuron Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-4
Perceptron Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-6
Creating a Perceptron (NEWP) . . . . . . . . . . . . . . . . . . . . . . . . . 3-7
Simulation (SIM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-8
Initialization (INIT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-9
Learning Rules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-11
Perceptron Learning Rule (LEARNP) . . . . . . . . . . . . . . . . . . 3-12
Adaptive Training (ADAPT) . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-15
Limitations and Cautions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-21
Outliers and the Normalized Perceptron Rule . . . . . . . . . . . . . 3-21
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-23
Figures and Equations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-23
Perceptron Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-23
Perceptron Transfer Function, hardlim . . . . . . . . . . . . . . 3-24
Decision Boundary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-24
Perceptron Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-25
The Perceptron Learning Rule . . . . . . . . . . . . . . . . . . . . . . . 3-25
One Perceptron Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-26
New Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3-26
4
Adaptive Linear Filters
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-2
Important Linear Network Functions . . . . . . . . . . . . . . . . . . . . 4-3
v
Neuron Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-4
Network Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-5
Single ADALINE (NEWLIN) . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-6
Mean Square Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-9
Linear System Design (NEWLIND) . . . . . . . . . . . . . . . . . . . . . 4-10
LMS Algorithm (LEARNWH) . . . . . . . . . . . . . . . . . . . . . . . . . . 4-11
Linear Classification (TRAIN) . . . . . . . . . . . . . . . . . . . . . . . . . 4-13
Adaptive Filtering (ADAPT) . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-16
Tapped Delay Line . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-16
Adaptive Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-17
Adaptive Filter Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-18
Prediction Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-20
Noise Cancellation Example . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-21
Multiple Neuron Adaptive Filters . . . . . . . . . . . . . . . . . . . . . . . 4-23
Limitations and Cautions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-25
Overdetermined Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-25
Underdetermined Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-25
Linearly Dependent Vectors . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-25
Too Large a Learning Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-26
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-27
Figures and Equations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-28
Linear Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-28
Purelin Transfer Function . . . . . . . . . . . . . . . . . . . . . . . . . . 4-28
MADALINE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-29
ADALINE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-29
Decision Boundary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-30
Mean Square Error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-30
LMS (Widrow-Hoff) Algorithm . . . . . . . . . . . . . . . . . . . . . . . 4-30
Tapped Delay Line . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-31
Adaptive Filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-32
Adaptive Filter Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-32
vi Contents
Prediction Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-33
Noise Cancellation Example . . . . . . . . . . . . . . . . . . . . . . . . . 4-34
Multiple Neuron Adaptive Filter . . . . . . . . . . . . . . . . . . . . . 4-35
Abbreviated Form of Adaptive Filter . . . . . . . . . . . . . . . . . . 4-35
Specific Small Adaptive Filter . . . . . . . . . . . . . . . . . . . . . . . 4-36
New Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4-36
5
Backpropagation
Overview . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-2
Fundamentals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-3
Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-3
Neuron Model (TANSIG, LOGSIG, PURELIN) . . . . . . . . . . . 5-3
Feedforward Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-5
Simulation (SIM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-8
Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-8
Backpropagation Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 5-9
Faster Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-16
Variable Learning Rate (TRAINGDA, TRAINGDX) . . . . . . . . 5-16
Resilient Backpropagation (TRAINRP) . . . . . . . . . . . . . . . . . . 5-18
Conjugate Gradient Algorithms . . . . . . . . . . . . . . . . . . . . . . . . 5-20
Fletcher-Reeves Update (TRAINCGF) . . . . . . . . . . . . . . . . . 5-20
Polak-Ribiére Update (TRAINCGP) . . . . . . . . . . . . . . . . . . 5-22
Powell-Beale Restarts (TRAINCGB) . . . . . . . . . . . . . . . . . . 5-24
Scaled Conjugate Gradient (TRAINSCG) . . . . . . . . . . . . . . 5-25
Line Search Routines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-26
Golden Section Search (SRCHGOL) . . . . . . . . . . . . . . . . . . . 5-26
Brent’s Search (SRCHBRE) . . . . . . . . . . . . . . . . . . . . . . . . . 5-27
Hybrid Bisection-Cubic Search (SRCHHYB) . . . . . . . . . . . 5-27
Charalambous’ Search (SRCHCHA) . . . . . . . . . . . . . . . . . . . 5-28
Backtracking (SRCHBAC) . . . . . . . . . . . . . . . . . . . . . . . . . . 5-28
Quasi-Newton Algorithms . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-29
BFGS Algorithm (TRAINBFG) . . . . . . . . . . . . . . . . . . . . . . . 5-29
One Step Secant Algorithm (TRAINOSS) . . . . . . . . . . . . . . 5-30
Levenberg-Marquardt (TRAINLM) . . . . . . . . . . . . . . . . . . . . . 5-31
Reduced Memory Levenberg-Marquardt (TRAINLM) . . . . . . . 5-33
vii
Speed and Memory Comparison . . . . . . . . . . . . . . . . . . . . . . . 5-35
Improving Generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-37
Regularization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-38
Modified Performance Function . . . . . . . . . . . . . . . . . . . . . . 5-38
Automated Regularization (TRAINBR) . . . . . . . . . . . . . . . . 5-39
Early Stopping . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-41
Preprocessing and Postprocessing . . . . . . . . . . . . . . . . . . . . . 5-44
Min and Max (PREMNMX, POSTMNMX, TRAMNMX) . . . . . 5-44
Mean and Stand. Dev. (PRESTD, POSTSTD, TRASTD) . . . . . 5-45
Principal Component Analysis (PREPCA, TRAPCA) . . . . . . . 5-46
Post-training Analysis (POSTREG) . . . . . . . . . . . . . . . . . . . . . 5-47
Sample Training Session . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-49
Limitations and Cautions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-54
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5-56
6
Radial Basis Networks
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-2
Important Radial Basis Functions . . . . . . . . . . . . . . . . . . . . . . . 6-2
Radial Basis Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-3
Neuron Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-3
Network Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-4
Exact Design (NEWRBE) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-5
More Efficient Design (NEWRB) . . . . . . . . . . . . . . . . . . . . . . . . . 6-7
Demonstrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-8
Generalized Regression Networks . . . . . . . . . . . . . . . . . . . . . . 6-9
Network Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-9
Design (NEWGRNN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-11
viii Contents
Probabilistic Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . 6-12
Network Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-12
Design (NEWPNN) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-13
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-15
Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-16
Radial Basis Neuron . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-16
Radbas Transfer Function . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-16
Radial Basis Network Architecture . . . . . . . . . . . . . . . . . . . 6-17
Generalized Regression Neural Network Architecture . . . . 6-17
Probabilistic Neural Network Architecture . . . . . . . . . . . . . 6-18
New Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6-19
7
Self-Organizing Networks
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-2
Important Self-Organizing Functions . . . . . . . . . . . . . . . . . . . . . 7-2
Competitive Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-3
Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-3
Creating a Competitive Neural Network (NEWC) . . . . . . . . . . 7-4
Kohonen Learning Rule (LEARNK) . . . . . . . . . . . . . . . . . . . . . . 7-5
Bias Learning Rule (LEARNCON) . . . . . . . . . . . . . . . . . . . . . . . 7-5
Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-6
Graphical Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-8
Self-Organizing Maps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-10
Topologies (GRIDTOP, HEXTOP, RANDTOP) . . . . . . . . . . . . 7-12
Distance Functions (DIST, LINKDIST,
MANDIST, BOXDIST) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-16
Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-19
Creating a Self Organizing MAP Neural Network
(NEWSOM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-20
Training (LEARNSOM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-22
Phase 1: Ordering Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-22
Phase 2: Tuning Phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-22
ix
Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-25
One-Dimensional Self-Organizing Map . . . . . . . . . . . . . . . . 7-25
Two-Dimensional Self-Organizing Map . . . . . . . . . . . . . . . . 7-27
Summary and Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-32
Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-32
Competitive Network Architecture . . . . . . . . . . . . . . . . . . . . 7-32
Self Organizing Feature Map Architecture . . . . . . . . . . . . . 7-33
New Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7-33
8
Learning Vector Quantization
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-2
Important LVQ Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-2
Network Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-3
Creating an LVQ Network (NEWLVQ) . . . . . . . . . . . . . . . . . . . 8-5
LVQ Learning Rule(LEARNLV2) . . . . . . . . . . . . . . . . . . . . . . . 8-9
Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-11
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-14
Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-14
LVQ Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-14
New Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8-14
x Contents
9 Recurrent Networks
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-2
Important Recurrent Network Functions . . . . . . . . . . . . . . . . . . 9-2
Elman Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-3
Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-3
Creating an Elman Network (NEWELM) . . . . . . . . . . . . . . . . . 9-4
Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-4
Training an Elman Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-6
Hopfield Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-9
Fundamentals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-9
Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-9
Design(NEWHOP) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-11
Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-13
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-16
Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-17
Elman Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-17
Hopfield Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-17
New Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-18
10
Applications
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-2
Application Scripts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-2
Applin1: Linear Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-3
Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-3
Network Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-4
Network Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-4
Thoughts and Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-6
xi
Applin2: Adaptive Prediction . . . . . . . . . . . . . . . . . . . . . . . . . 10-7
Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-7
Network Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-8
Network Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-8
Network Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-8
Thoughts and Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-10
Applin3: Linear System Identification . . . . . . . . . . . . . . . . 10-11
Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-11
Network Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-12
Network Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-12
Thoughts and Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-14
Applin4: Adaptive System Identification . . . . . . . . . . . . . . 10-15
Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-15
Network Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-16
Network Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-17
Network Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-17
Thoughts and Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-17
Appelm1: Amplitude Detection . . . . . . . . . . . . . . . . . . . . . . . 10-19
Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-19
Network Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-20
Network Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-20
Network Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-21
Network Generalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-22
Improving Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-23
Appcs1: Nonlinear System Identification . . . . . . . . . . . . . . 10-24
Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-25
Network Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-26
Network Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-26
Network Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-26
Thoughts and Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-29
xii Contents
Appcs2: Model Reference Control . . . . . . . . . . . . . . . . . . . . . 10-30
Mathematical Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-30
Neural Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-31
Problem Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-32
Network Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-32
Network Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-33
Network Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-36
Thoughts and Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-37
Appcr1: Character Recognition . . . . . . . . . . . . . . . . . . . . . . . 10-38
Problem Statement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-38
Neural Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-39
Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-40
Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-40
Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-40
Training Without Noise . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-41
Training With Noise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-41
Training Without Noise Again . . . . . . . . . . . . . . . . . . . . . . 10-42
System Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-42
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10-43
11
Advanced Topics
Custom Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-2
Custom Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-4
Network Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-5
Architecture Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-5
Number of Outputs and Targets . . . . . . . . . . . . . . . . . . . . . . 11-7
Subobject Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-8
Inputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-8
Network Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-12
Weight and Bias Values . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-13
Network Behavior . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-14
Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-14
Training . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-14
xiii
Additional Toolbox Functions . . . . . . . . . . . . . . . . . . . . . . . . 11-17
Initialization Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-17
randnc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-17
randnr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-17
Transfer Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-17
satlin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-17
softmax . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-17
tribas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-17
Learning Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-18
learnh . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-18
learnhd . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-18
learnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-18
learnos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-18
Custom Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-19
Simulation Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-20
Transfer Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-20
Net Input Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-22
Weight Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-24
Initialization Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-26
Network Initialization Functions . . . . . . . . . . . . . . . . . . . . 11-26
Layer Initialization Functions . . . . . . . . . . . . . . . . . . . . . . 11-26
Weight and Bias Initialization Functions . . . . . . . . . . . . . 11-27
Learning Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-29
Training Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-29
Adapt Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-32
Performance Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-34
Weight and Bias Learning Functions . . . . . . . . . . . . . . . . . 11-36
Self-Organizing Map Functions . . . . . . . . . . . . . . . . . . . . . . . 11-39
Topology Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-39
Distance Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11-40
xiv Contents
12
Network Object Reference
Network Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-2
Architecture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-2
numInputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-2
numLayers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-2
biasConnect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-3
inputConnect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-4
layerConnect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-4
outputConnect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-4
targetConnect . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-5
numOutputs (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-5
numTargets (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-5
numInputDelays (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . 12-5
numLayerDelays (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . 12-6
Subobject Structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-6
inputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-7
layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-7
outputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-7
targets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-8
biases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-8
inputWeights . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-9
layerWeights . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-9
Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-10
adaptFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-10
initFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-10
performFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-11
trainFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-11
Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-13
adaptParam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-13
initParam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-13
performParam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-13
trainParam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-14
Weight and Bias Values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-14
IW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-14
LW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-15
b . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-16
Other . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-16
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-16
xv
Subobject Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-17
Inputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-17
range . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-17
size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-17
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-18
Layers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-18
dimensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-18
distanceFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-19
distances (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-19
initFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-20
netInputFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-20
positions (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-21
size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-22
topologyFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-22
transferFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-23
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-24
Outputs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-25
size (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-25
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-25
Targets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-25
size (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-25
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-25
Biases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-26
initFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-26
learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-26
learnFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-27
learnParam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-27
size (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-28
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-28
Input Weights . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-28
delays . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-28
initFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-29
learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-29
learnFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-30
learnParam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-31
size (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-31
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-31
weightFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-32
xvi Contents
LayerWeights . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-32
delays . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-32
initFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-32
learn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-33
learnFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-33
learnParam . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-35
size (read-only) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-35
userdata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-35
weightFcn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12-36
13
Reference
Functions Listed by Network Type . . . . . . . . . . . . . . . . . . . . 13-2
Functions by Class . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13-3
Transfer Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13-13
Transfer Function Graphs . . . . . . . . . . . . . . . . . . . . . . . . . . . 13-14
Reference Page Headings . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13-18
Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13-19
Glossary