Diskussion zum Artikel "Selbst-organisierende Feature Maps (Kohonen Maps) - Wiederaufgreifen des Themas"
Es ist recht gut und sehr einfach zu lösen. Initialisieren Sie einfach das Netzwerk durch zufällige Auswahl von Eingängen aus denen, die Sie unterrichten werden.
Es ist recht gut und sehr einfach zu lösen. Initialisieren Sie einfach das Netz, indem Sie die Eingaben zufällig aus den Eingaben auswählen, die Sie einlernen wollen.
Es ist kein Problem, Karten zu berechnen und zu zeichnen. Zu diesem Thema gibt es heute eine Menge Arbeit.
Wo und in welcher Eigenschaft soll es angewendet werden? Clustering? Es gibt zuverlässigere Methoden.
Ich selbst habe noch nie eine nützliche Anwendung im Handel gefunden.
Aber als Übung im Programmieren ist es wahrscheinlich nützlich.
Ohne die Bemühungen des Autors schmälern zu wollen.
Viel Glück
Es ist kein Problem, Karten zu berechnen und zu zeichnen. Zu diesem Thema gibt es heute eine Menge Arbeit.
Wo und in welcher Eigenschaft soll es angewendet werden? Clustering? Es gibt zuverlässigere Methoden.
Geben Sie also die Informationen weiter.
Formulieren Sie Ihre Frage genauer. Es ist nicht klar, von welchen Informationen Sie sprechen.
Ich beschloss, die Statistiken zu testen, und das ist, was ich bekam:
Und dann gibt es überall einen konsistenten Übergang der Farben von links nach rechts oder von rechts nach links, wie es in der Farbpalette unter dem Bild eingezeichnet ist. Und hier mit überspringenden Farben.
Es gibt einige Unzulänglichkeiten in der Implementierung der Anzeige der Ergebnisse..... Aber auch in dieser Form ist es eine funktionierende Variante.
Ich beschloss, die Statistiken zu testen, und das ist das Ergebnis:
Und dann gibt es überall einen gleichmäßigen Übergang der Farben von links nach rechts oder von rechts nach links, so wie es in der Farbpalette unter dem Bild eingezeichnet ist. Und hier mit überspringenden Farben.
Speichern Sie das trainierte Raster und stellen Sie das Raster und die Daten zum Training ein. Ich denke, bei der Analyse wird die Antwort gefunden werden, wie es möglich ist. Oder, alternativ, wird herausfinden, was der Fehler ist.
Generell brauchen wir ein reproduzierbares Beispiel.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Neuer Artikel Selbst-organisierende Feature Maps (Kohonen Maps) - Wiederaufgreifen des Themas :
Dieser Artikel beschreibt Techniken für die Arbeit mit Kohonen-Maps. Das Thema wird sowohl für Marktforscher mit Grundkenntnisse der Programmierung in MQL4 und MQL5 als auch erfahrene Programmierer, die Schwierigkeiten mit der Verbindung von Kohonen-Maps mit ihren Projekten haben, von Interesse sein.
Ein selbst-organisierende Feature Map (SOM) ist ein einschichtiges Netzwerk wo jedes Neuron mit allen Komponenten des n-dimensionalen Eingabevektors (Muster) verbunden ist. Eingabevektor (Muster) – ist eine Beschreibung eines der Objekte das der Clusterbilung unterliegt.
Vor vierzig Jahren galten neuronale Netze als Spitzentechnik der Wissenschaft. Vor etwa zwanzig Jahren galt jemand, der mit neuronalen Netzes Algorithmen vertraut war als einzigartiger Spezialist. Nun scheint der Begriff "neuronales Netzwerk" niemanden mehr zu erschrecken. Algorithmen der Fuzzy-Logik, neuronale Netze sind jetzt fest in den Handel integriert und sind offenbar nicht so kompliziert. Ich hoffe, dass dieser Artikel Ihnen hilft, etwas Licht auf Kohonen Maps zu werfen und die Arbeit mit ihnen in Bewegung zu bringen.
Autor: Nikolay Demko