N개의 끝에서 두 번째 33개 세그먼트는 네트워크 입력에 공급되어야 하고 마지막 세그먼트는 출력에 공급되어야 합니다. 이것은 역전파 네트워크를 사용하는 경우입니다. 그런 다음, 적절한 네트워크 구성, 적절한 활성화 기능 선택 및 성공적인 훈련으로 마지막 N 세그먼트만 입력되면 네트워크는 이 N 및 다음(즉, 예정)도 복원합니다. 그 방향에 대해 더 현명할 것은 없습니다. 이미 명확하지만 크기는 ...
N개의 끝에서 두 번째 33개 세그먼트는 네트워크 입력에 공급되어야 하고 마지막 세그먼트는 출력에 공급되어야 합니다. 이것은 역전파 네트워크를 사용하는 경우입니다. 그런 다음, 적절한 네트워크 구성, 적절한 활성화 기능 선택 및 성공적인 훈련으로 마지막 N 세그먼트만 입력되면 네트워크는 이 N 및 다음(즉, 예정)도 복원합니다. 그 방향에 대해 더 현명할 것은 없습니다. 이미 명확하지만 크기는 ...
아마도 이것에서 뭔가가 나올 것입니다.
그리고 어떤 종류의 지그재그를 제시하는 것이 절대적 또는 상대적인 것이 더 좋습니까?그리고 정규화가 필요합니까? 제 생각에는 코호넨 층과 그로스버그 별이 그것을 요구하고 있습니다. 내가 옳지 않을 수도 있지만.
그러나 나는 나 자신을 반복할 것입니다(비록 이것은 더 이상 내가 아니지만), 다만 인용문:
역전파 네트워크를 훈련하는 동안 입력 벡터는 해당 출력 벡터와 연결됩니다. 이러한 벡터는 이진 또는 연속일 수 있습니다. 훈련 후 네트워크는 입력 신호에 해당하는 출력 신호를 생성합니다. 네트워크의 일반화 능력은 입력 벡터가 불완전하거나 왜곡될 때 올바른 출력을 얻을 수 있게 합니다. 학습 모드에서 네트워크 입력은 입력 신호를 받고 네트워크가 필요한 출력 신호를 생성하도록 가중치가 조정됩니다. Kohonen 레이어는 승자 독식 규칙에 따라 작동합니다. 주어진 입력 벡터에 대해 이 계층의 하나의 뉴런만 논리적인 뉴런을 생성하고 나머지는 모두 0입니다. 각 코호넨 뉴런의 출력은 단순히 입력 신호의 가중치 요소의 합입니다. Grossberg 계층에 있는 뉴런의 출력은 또한 Kohonen 계층에 있는 뉴런의 출력에 대한 가중치 합입니다. 그러나 Grossberg 계층의 각 뉴런은 이 뉴런을 출력이 0이 아닌 유일한 코호넨 뉴런과 연결하는 가중치 값을 생성합니다. 입력 신호의 예비 처리 단계에서 입력 벡터가 정규화됩니다. 훈련 단계에서 Kohonen 계층은 입력 벡터를 유사한 그룹으로 분류합니다. 이것은 가까운 입력 벡터가 이 레이어의 동일한 뉴런을 활성화하는 방식으로 코호넨 레이어의 가중치를 조정하여 달성됩니다. 어떤 뉴런| 특정 입력 신호가 표시되면 활성화되지만 Kohonen 레이어는 교사 없이 훈련되기 때문에 미리 예측하기 어렵습니다. 그런 다음 Grossberg 계층의 작업은 필요한 출력을 얻는 것입니다. Grossberg 계층 학습은 지도 학습입니다. 뉴런 출력은 정상 작동에서와 같이 계산됩니다. 또한 각 가중치는 출력이 0이 아닌 코호넨 뉴런에 연결된 경우에만 수정됩니다. 가중치 보정의 양은 가중치와 Grossberg 뉴런의 원하는 출력 간의 차이에 비례합니다. 네트워크 운용 모드에서는 입력 신호가 표시되고 출력 신호가 생성됩니다. 역전파 네트워크의 전체 모델에서는 입력 신호에서 출력 신호를 수신하거나 그 반대의 경우도 가능합니다. 이 두 가지 동작은 신호의 순방향 및 역방향 전파에 해당합니다.
Vinin : 그리고 어떤 종류의 지그재그를 제시하는 것이 절대적 또는 상대적인 것이 더 좋습니까?그리고 정규화가 필요합니까? 제 생각에는 코호넨 층과 그로스버그 별이 그것을 요구하고 있습니다. 내가 옳지 않을 수도 있지만.
중성자 :
Yurixx , 이 경우에 대한 국회의 블록 다이어그램을 재량에 따라 제안하십시오. 나는 그것에 대해 생각하고 싶습니다.
도표를 제시할 수 없습니다. 이 사상의 역사는 다음과 같다.
처음에는 NS가 Kohonen과 Grosberg의 2개 레이어로 구성되어야 한다고 생각했습니다. 유일한 문제는 kaga의 경우 3Z의 각 세그먼트가 1과 ... 사이의 모든 것이 될 수 있다는 것입니다. 3Z의 N 세그먼트를 입력으로 제공하고 세그먼트 크기를 1에서 50으로 제한한다고 가정합니다. 그런 다음 Kohonen 레이어에서 (클러스터링 전) 뉴런의 수는 최대 50^N입니다. 너무 많이. 그래서 렌코를 생각했습니다. H=10에서 유사한 3D 세그먼트의 크기는 1 - 5 내에서 변경됩니다. 이것은 N의 작은 값에 대해 이미 허용되는 5^N 뉴런에 불과합니다. 그리고 5N보다 큰 모든 세그먼트는 5N으로 잘릴 수 있습니다. .
다음으로, Kohonen 레이어는 패턴을 인식하고 해당 뉴런을 발생시킵니다. 3Z의 마지막 세그먼트(이 N에 포함되지 않음)는 Grosberg 계층에 공급됩니다. Grosberg 층에는 100개의 뉴런이 포함되어 있으며, 각 뉴런은 1에서 100까지의 33개의 마지막 세그먼트 크기에 해당합니다. 따라서. Grosberg 층의 뉴런이 흥분됩니다. 학습할 때 들뜬 코호넨 뉴런에서 들뜬 그로스버그 층 뉴런으로의 연결 가중치가 1 증가합니다. 즉, 이것은 역전파 네트워크가 아닙니다. 하지만 그렇게 해서 계획을 세웠습니다. :-))
그리고 훈련 후 입력에 3Z를 적용할 때 Grosberg 레이어가 출력에 미래의 3Z 세그먼트에 대한 분포 함수만 표시한다는 사실을 깨달았습니다. 기본적으로 그것이 내가 목표로 한 것입니다. 그러나 2개의 "하지만"이 있습니다.
1. NS 없이 이러한 배포를 훨씬 빠르게 구축할 수 있습니다.
2. 거의 2년 동안의 분 기록에는 약 630,000개의 막대가 있습니다. 매개변수 H=10인 Kagi 33에는 이 이야기에서 약 17400개의 세그먼트가 있습니다. 그리고 N=6에서 Kohonen 층의 뉴런 수는 15625가 됩니다. 즉, 각 패턴에 대해 평균 1.1개의 실험 값이 있습니다. 여기 분포는 무엇입니까? :-)
따라서 Renko 분할로의 전환과 관련된 클러스터링은 치명적으로 충분하지 않습니다. Kohonen 레이어를 사용하여 FP를 클러스터링하거나 (대부분) 보다 건설적인 아이디어로 이동하는 것이 필요합니다.
추신
순진한 것으로 엄격하게 판단하지 마십시오. 네트워크에 대한 나의 경험은 1.5권의 책을 읽었으며 단일 구현이 아닙니다.
가장 간단한 것부터 시작하는 것이 좋습니다. ZZ를 하나의 꼭짓점으로 구성된 기본 구조로 나눕니다. 측면을 첫 번째 면의 길이로 정규화하고 소수점 뒤에 하나의 유효 숫자를 유지합니다(그림 참조). 이 경우 우리는 17400개의 구조를 가지고 있으며 (단계 H=10의 경우) "종횡비" 기능에 따라 50/2H*10=25 그룹(대략)으로 나뉩니다. 저것들. 각 그룹에는 이미 통계인 수백 가지 패턴이 있습니다.
그것을 NN으로 밀어넣고 예측된 이동 길이의 DF(녹색 벡터에서 H를 뺀 값)가 왼쪽 값에 어떻게 의존하는지 알아내야 합니다. 그러나 동료 여러분, 국회는 이 문제를 해결하기 위해 꼭 필요한 것은 아닙니다. 아니면 내가 뭔가를 놓치고 있습니까?
추신 그림에서. 오른쪽에는 한 꼭짓점에서 3Z 변의 비율의 DF가 표시됩니다. 이것은 EURUSD(틱)에 대한 H=5,10,15 및 20포인트 구조입니다. 정규화의 아이디어는 건전한 것으로 보이며 이를 통해 입력 데이터의 차원을 크게 줄일 수 있습니다.
우리는 일련의 n 계산(지그재그의 오른쪽 길이를 왼쪽 길이 단위로 표시)을 수행하여 x1,...,xi,...,xn 값의 일부 집합을 얻었습니다. 이른바 샘플입니다. 가로축에는 x에 대한 별도의 계산에서 얻은 xi의 값을 표시합니다. x축을 동일한 간격 dx로 나누고 계산 횟수 nk를 계산하면 xk+-1/2dx 간격에 x 값이 놓이게 됩니다(여기서 xk는 x축의 간격 중심 좌표). 각 간격에서 높이가 nk이고 너비가 dx인 직사각형을 구성합니다. 이렇게 얻은 차트를 히스토그램이라고 합니다. x축을 따라 계산 결과의 분포 밀도를 반영합니다.
계산 수가 많으면 간격의 너비를 작게 만들 수 있습니다(이 경우 각 간격에 상당히 많은 판독값이 있음). 그런 다음 한계에서 히스토그램 대신 각 간격에 속하는 판독 값 nk/n의 비율에 비례하는 값이 y축을 따라 플롯되는 그래프를 얻습니다. 이러한 그래프를 분포곡선 또는 분포함수라고 하며, 함수 자체를 확률밀도 라고 합니다.
고맙습니다. 이제 명확해졌습니다. DF(분포 함수)가 아닌 확률 밀도(PV)를 구축한 것은 모두 동일하기 때문입니다. FR에는 3가지 속성이 있습니다. 1. 그것은(FR) 감소하지 않습니다. 2. x가 무한대가 되는 경향이 있으면 DF는 1이 되는 경향이 있습니다. 당연히 모든 것이 정규화됩니다. PV와 FR은 적분(FR은 PV의 적분)으로 서로 연결되어 있습니다.
"이러한 그래프를 분포곡선 또는 분포함수라고 하고, 함수 자체를 확률밀도라고 한다."라는 말은 완전히 옳지 않다.
특히 초반에 차익거래의 등장을 어떻게 잡아야 할지 모르겠다.
N개의 끝에서 두 번째 33개 세그먼트는 네트워크 입력에 공급되어야 하고 마지막 세그먼트는 출력에 공급되어야 합니다. 이것은 역전파 네트워크를 사용하는 경우입니다. 그런 다음, 적절한 네트워크 구성, 적절한 활성화 기능 선택 및 성공적인 훈련으로 마지막 N 세그먼트만 입력되면 네트워크는 이 N 및 다음(즉, 예정)도 복원합니다. 그 방향에 대해 더 현명할 것은 없습니다. 이미 명확하지만 크기는 ...
아마도 이것에서 뭔가가 나올 것입니다.
특히 초반에 차익거래의 등장을 어떻게 잡아야 할지 모르겠다.
N개의 끝에서 두 번째 33개 세그먼트는 네트워크 입력에 공급되어야 하고 마지막 세그먼트는 출력에 공급되어야 합니다. 이것은 역전파 네트워크를 사용하는 경우입니다. 그런 다음, 적절한 네트워크 구성, 적절한 활성화 기능 선택 및 성공적인 훈련으로 마지막 N 세그먼트만 입력되면 네트워크는 이 N 및 다음(즉, 예정)도 복원합니다. 그 방향에 대해 더 현명할 것은 없습니다. 이미 명확하지만 크기는 ...
아마도 이것에서 뭔가가 나올 것입니다.
그리고 어떤 종류의 지그재그를 제시하는 것이 절대적 또는 상대적인 것이 더 좋습니까?그리고 정규화가 필요합니까? 제 생각에는 코호넨 층과 그로스버그 별이 그것을 요구하고 있습니다. 내가 옳지 않을 수도 있지만.
... 제 생각에는 코호넨층과 그로스버그의 별이 요구하는 것 같습니다.
그리고 "용기를 위해" 메달 :-)
Vinin, "Grosberg 의 별"이것은 어떤 동물입니까?
Yurixx , 이 경우에 대한 국회의 블록 다이어그램을 재량에 따라 제안하십시오. 나는 그것에 대해 생각하고 싶습니다.
... 제 생각에는 코호넨층과 그로스버그의 별이 요구하고 있습니다.
그리고 "용기를 위해" 메달 :-)
Vinin, " Grossberg의 별" 이것은 어떤 동물입니까?
Yurixx , 이 경우에 대한 국회의 블록 다이어그램을 재량에 따라 제안하십시오. 나는 그것에 대해 생각하고 싶습니다.
그것이 전부 http://ann.hotmail.ru/vs03.htm 에 그려진 것입니다.
그러나 나는 나 자신을 반복할 것입니다(비록 이것은 더 이상 내가 아니지만), 다만 인용문:
역전파 네트워크를 훈련하는 동안 입력 벡터는 해당 출력 벡터와 연결됩니다. 이러한 벡터는 이진 또는 연속일 수 있습니다. 훈련 후 네트워크는 입력 신호에 해당하는 출력 신호를 생성합니다. 네트워크의 일반화 능력은 입력 벡터가 불완전하거나 왜곡될 때 올바른 출력을 얻을 수 있게 합니다.
학습 모드에서 네트워크 입력은 입력 신호를 받고 네트워크가 필요한 출력 신호를 생성하도록 가중치가 조정됩니다.
Kohonen 레이어는 승자 독식 규칙에 따라 작동합니다. 주어진 입력 벡터에 대해 이 계층의 하나의 뉴런만 논리적인 뉴런을 생성하고 나머지는 모두 0입니다. 각 코호넨 뉴런의 출력은 단순히 입력 신호의 가중치 요소의 합입니다.
Grossberg 계층에 있는 뉴런의 출력은 또한 Kohonen 계층에 있는 뉴런의 출력에 대한 가중치 합입니다. 그러나 Grossberg 계층의 각 뉴런은 이 뉴런을 출력이 0이 아닌 유일한 코호넨 뉴런과 연결하는 가중치 값을 생성합니다.
입력 신호의 예비 처리 단계에서 입력 벡터가 정규화됩니다.
훈련 단계에서 Kohonen 계층은 입력 벡터를 유사한 그룹으로 분류합니다. 이것은 가까운 입력 벡터가 이 레이어의 동일한 뉴런을 활성화하는 방식으로 코호넨 레이어의 가중치를 조정하여 달성됩니다. 어떤 뉴런| 특정 입력 신호가 표시되면 활성화되지만 Kohonen 레이어는 교사 없이 훈련되기 때문에 미리 예측하기 어렵습니다.
그런 다음 Grossberg 계층의 작업은 필요한 출력을 얻는 것입니다. Grossberg 계층 학습은 지도 학습입니다. 뉴런 출력은 정상 작동에서와 같이 계산됩니다. 또한 각 가중치는 출력이 0이 아닌 코호넨 뉴런에 연결된 경우에만 수정됩니다. 가중치 보정의 양은 가중치와 Grossberg 뉴런의 원하는 출력 간의 차이에 비례합니다.
네트워크 운용 모드에서는 입력 신호가 표시되고 출력 신호가 생성됩니다.
역전파 네트워크의 전체 모델에서는 입력 신호에서 출력 신호를 수신하거나 그 반대의 경우도 가능합니다. 이 두 가지 동작은 신호의 순방향 및 역방향 전파에 해당합니다.
그리고 어떤 종류의 지그재그를 제시하는 것이 절대적 또는 상대적인 것이 더 좋습니까?그리고 정규화가 필요합니까? 제 생각에는 코호넨 층과 그로스버그 별이 그것을 요구하고 있습니다. 내가 옳지 않을 수도 있지만.
Yurixx , 이 경우에 대한 국회의 블록 다이어그램을 재량에 따라 제안하십시오. 나는 그것에 대해 생각하고 싶습니다.
도표를 제시할 수 없습니다. 이 사상의 역사는 다음과 같다.
처음에는 NS가 Kohonen과 Grosberg의 2개 레이어로 구성되어야 한다고 생각했습니다. 유일한 문제는 kaga의 경우 3Z의 각 세그먼트가 1과 ... 사이의 모든 것이 될 수 있다는 것입니다. 3Z의 N 세그먼트를 입력으로 제공하고 세그먼트 크기를 1에서 50으로 제한한다고 가정합니다. 그런 다음 Kohonen 레이어에서 (클러스터링 전) 뉴런의 수는 최대 50^N입니다. 너무 많이. 그래서 렌코를 생각했습니다. H=10에서 유사한 3D 세그먼트의 크기는 1 - 5 내에서 변경됩니다. 이것은 N의 작은 값에 대해 이미 허용되는 5^N 뉴런에 불과합니다. 그리고 5N보다 큰 모든 세그먼트는 5N으로 잘릴 수 있습니다. .
다음으로, Kohonen 레이어는 패턴을 인식하고 해당 뉴런을 발생시킵니다. 3Z의 마지막 세그먼트(이 N에 포함되지 않음)는 Grosberg 계층에 공급됩니다. Grosberg 층에는 100개의 뉴런이 포함되어 있으며, 각 뉴런은 1에서 100까지의 33개의 마지막 세그먼트 크기에 해당합니다. 따라서. Grosberg 층의 뉴런이 흥분됩니다. 학습할 때 들뜬 코호넨 뉴런에서 들뜬 그로스버그 층 뉴런으로의 연결 가중치가 1 증가합니다. 즉, 이것은 역전파 네트워크가 아닙니다. 하지만 그렇게 해서 계획을 세웠습니다. :-))
그리고 훈련 후 입력에 3Z를 적용할 때 Grosberg 레이어가 출력에 미래의 3Z 세그먼트에 대한 분포 함수만 표시한다는 사실을 깨달았습니다. 기본적으로 그것이 내가 목표로 한 것입니다. 그러나 2개의 "하지만"이 있습니다.
1. NS 없이 이러한 배포를 훨씬 빠르게 구축할 수 있습니다.
2. 거의 2년 동안의 분 기록에는 약 630,000개의 막대가 있습니다. 매개변수 H=10인 Kagi 33에는 이 이야기에서 약 17400개의 세그먼트가 있습니다. 그리고 N=6에서 Kohonen 층의 뉴런 수는 15625가 됩니다. 즉, 각 패턴에 대해 평균 1.1개의 실험 값이 있습니다. 여기 분포는 무엇입니까? :-)
따라서 Renko 분할로의 전환과 관련된 클러스터링은 치명적으로 충분하지 않습니다. Kohonen 레이어를 사용하여 FP를 클러스터링하거나 (대부분) 보다 건설적인 아이디어로 이동하는 것이 필요합니다.
추신
순진한 것으로 엄격하게 판단하지 마십시오. 네트워크에 대한 나의 경험은 1.5권의 책을 읽었으며 단일 구현이 아닙니다.
가장 간단한 것부터 시작하는 것이 좋습니다. ZZ를 하나의 꼭짓점으로 구성된 기본 구조로 나눕니다. 측면을 첫 번째 면의 길이로 정규화하고 소수점 뒤에 하나의 유효 숫자를 유지합니다(그림 참조). 이 경우 우리는 17400개의 구조를 가지고 있으며 (단계 H=10의 경우) "종횡비" 기능에 따라 50/2H*10=25 그룹(대략)으로 나뉩니다. 저것들. 각 그룹에는 이미 통계인 수백 가지 패턴이 있습니다.
그것을 NN으로 밀어넣고 예측된 이동 길이의 DF(녹색 벡터에서 H를 뺀 값)가 왼쪽 값에 어떻게 의존하는지 알아내야 합니다. 그러나 동료 여러분, 국회는 이 문제를 해결하기 위해 꼭 필요한 것은 아닙니다. 아니면 내가 뭔가를 놓치고 있습니까?
추신 그림에서. 오른쪽에는 한 꼭짓점에서 3Z 변의 비율의 DF가 표시됩니다. 이것은 EURUSD(틱)에 대한 H=5,10,15 및 20포인트 구조입니다. 정규화의 아이디어는 건전한 것으로 보이며 이를 통해 입력 데이터의 차원을 크게 줄일 수 있습니다.
그것을 NN으로 밀어넣고 예측된 이동 길이의 DF(녹색 벡터에서 H를 뺀 값)가 왼쪽 값에 어떻게 의존하는지 알아내야 합니다. 그러나 동료 여러분, 국회는 이 문제를 해결하기 위해 꼭 필요한 것은 아닙니다. 아니면 내가 뭔가를 놓치고 있습니까?
추신 그림에서. 오른쪽에는 한 꼭짓점에서 3Z 변의 비율의 DF가 표시됩니다. 이것은 EURUSD(틱)에 대한 H=5,10,15 및 20포인트 구조입니다. 정규화의 아이디어는 건전한 것으로 보이며 이를 통해 입력 데이터의 차원을 크게 줄일 수 있습니다.
나는 또한 이를 위해 국회가 필요하지 않다고 생각한다. 그리고 정규화 옵션은 합법적인 것처럼 보이지만 전혀 발생하지 않았습니다.
중성자
나는 당신이 무엇을 구축했는지 알 수 없습니다. DF(배포 함수)는 약간 다르게 보일 것입니다. https://en.wikipedia.org/wiki/%D0%A0%D0%B0%D1%81%D0%BF%D1%80%D0%B5%D0%B4 %D0%B5%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5_%D0%B2%D0%B5%D1%80%D0%BE%D1%8F%D1%82%D0 %BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9
PV(확률밀도)가 아닐까요? 그렇다면 다시, 조금 더 자세히 할 수 있습니다. 오른쪽 그래프에 있는 것은 무엇입니까(X 및 Y축에 있는 것)
비공개로
우리는 일련의 n 계산(지그재그의 오른쪽 길이를 왼쪽 길이 단위로 표시)을 수행하여 x1,...,xi,...,xn 값의 일부 집합을 얻었습니다. 이른바 샘플입니다. 가로축에는 x에 대한 별도의 계산에서 얻은 xi의 값을 표시합니다. x축을 동일한 간격 dx로 나누고 계산 횟수 nk를 계산하면 xk+-1/2dx 간격에 x 값이 놓이게 됩니다(여기서 xk는 x축의 간격 중심 좌표). 각 간격에서 높이가 nk이고 너비가 dx인 직사각형을 구성합니다. 이렇게 얻은 차트를 히스토그램이라고 합니다. x축을 따라 계산 결과의 분포 밀도를 반영합니다.
계산 수가 많으면 간격의 너비를 작게 만들 수 있습니다(이 경우 각 간격에 상당히 많은 판독값이 있음). 그런 다음 한계에서 히스토그램 대신 각 간격에 속하는 판독 값 nk/n의 비율에 비례하는 값이 y축을 따라 플롯되는 그래프를 얻습니다. 이러한 그래프를 분포곡선 또는 분포함수라고 하며, 함수 자체를 확률밀도 라고 합니다.
PS DF는 정규화될 수 있으며 전체 정의 영역에 대한 적분은 동일하게 1과 같습니다.
중성자
고맙습니다. 이제 명확해졌습니다. DF(분포 함수)가 아닌 확률 밀도(PV)를 구축한 것은 모두 동일하기 때문입니다. FR에는 3가지 속성이 있습니다. 1. 그것은(FR) 감소하지 않습니다. 2. x가 무한대가 되는 경향이 있으면 DF는 1이 되는 경향이 있습니다. 당연히 모든 것이 정규화됩니다. PV와 FR은 적분(FR은 PV의 적분)으로 서로 연결되어 있습니다.
"이러한 그래프를 분포곡선 또는 분포함수라고 하고, 함수 자체를 확률밀도라고 한다."라는 말은 완전히 옳지 않다.