神经网络使用的技术

用于设计神经网络应用场景的常见机器学习技术包括监督式学习和无监督学习、分类、回归、模式识别和聚类。

监督式学习

训练监督式神经网络生成响应样本输入的所需输出，使其专门适用于动态系统建模和控制、噪声数据分类和未来事件预测。Deep Learning Toolbox™ 包括四种监督式网络：前馈网络、径向基网络、动态网络和学习向量量化网络。

分类

分类是一种监督式机器学习，在该学习中，算法将“学习”从带标签的数据示例中对新的观察结果进行分类。

回归

回归模型描述一个响应（输出）变量与一个或多个预测元（输入）变量之间的关系。

模式识别

模式识别是计算机视觉、雷达处理、语音识别和文本分类方面的神经网络应用的一个重要组成部分。它的工作原理是，使用监督式分类或无监督分类基于关键功能将输入数据分类为对象或类。

例如，在计算机视觉方面，监督式模式识别技术可用于光学字符识别 (OCR)、人脸检测、人脸识别、对象检测和对象分类。在图像处理和计算机视觉方面，无监督模式识别技术用于对象检测和图像分割。

无监督学习

通过让神经网络持续根据新输入调整自身来训练无监督神经网络。无监督神经网络可根据包含未标记响应的输入数据的数据集进行推断。您可以使用它们来发现数据中的自然分配、类别和类别关系。

Deep Learning Toolbox 包括两种无监督的网络：竞争的层和自组织映射。

聚类

聚类是一个无监督学习方法，在该学习方法中，神经网络可用于分析探索性数据以发现数据中隐藏的模式或分组。此过程涉及按相似性对数据分组。聚类分析的应用包括基因序列分析、市场调查和对象识别。