1、感知神經網路
構造方法：
net=newp(pr,s,tf,lf)s：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
tf:表示傳遞函式，一般預設hardlim
lf:表示學習函式，一般預設不用寫
訓練方法:
net=train(net,p,t)主要作用：
主要用於分類
2、線性神經網路
構造方法：
net=newlin(p,s,id,lr)s：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
id：表示延遲向量
lr:表示學習速率
訓練方法:
net=train(net,p,t)主要作用：
主要用於分類、回歸、**
3、bp神經網路
構造方法：
net=newff(p,t,s,,。。。)t:表示資料的輸出
s：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
tf:表示傳遞函式，各個隱含層的傳遞函式
訓練方法:
net=train(net,p,t)主要作用：
主要用於分類、回歸、**。
4、徑向基函式網路
構造方法：
net=newrb(p,t,goal,spread,mn,df)t:表示資料的輸出
goal:表示均方誤差
spread:表示徑向基函式的擴充套件速度
mn:表示神經元最大數目
df:表示兩次顯示之間所以新增的神經元數目
訓練方法:
net=train(net,p,t)主要作用：
主要用於分類、回歸、**。
5、概率神經網路
構造方法：
net=newpnn(p,t,spread)t:表示資料的輸出
spread:表示徑向基函式的擴充套件速度
訓練方法:
net=train(net,p,t)主要作用：
主要用於分類。
6、競爭神經網路
構造方法：
net=newc(pr,s,klr,clr)s：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
klr:kohonen學習速率
clr:conscience表示
訓練方法:
net=train(net,pr)主要作用：
主要用於分類。
7、自組織特徵對映網路
構造方法：
net=newsom(p,[d1,d2,d3..],.)d1,d2,d3表示特徵對映網路的維數
訓練方法:
net=train(net,p)主要作用：
主要用於分類。
8、學習向量化lvq網路
構造方法：
net=newlvq(pr,sl,pc,lr,lf)sl：表示神經元個數，主要表示隱含層和輸出層神經元的個數，一般是個向量
pc：表示分類的百分比
lr：學習速率
lf:學習函式
訓練方法:
net=train(net,p，t)主要作用：
主要用於分類。
神經網路總結（）
最近幾天綜合的看了一下以前上課用的cmu的tom m.mitchell的機器學習，michael a.nielsen,neural networks and deep learning 還有趙永科著的深度學習，21天實戰caffe。一次性接受的有點多。但是，萬變不離其宗，總歸是用反向傳播演算法。細緻...
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...