입력 신호의 상관 관계에 어떤 문제가 있는지 암시합니다. 입력으로 무엇을 제출하고 문제가 있다고 결정한 이유는 무엇입니까? 결국, 그것을 해결하는 것보다 존재하지 않는지 확인하는 것이 더 쉽습니다 :-)
문제가 아닙니다. 저는 수학에 소질이 있습니다.
내가 PV를 계산했다고 생각합니까? 당신은 그것을 믿지 않을 것입니다! 미리 범위 -/+1을 0.02의 등간격으로 나눈 주기에서 전체 VR을 실행하고 이 막대의 VR 값이 -0.98 : +1 범위에 떨어지면 하나의 "chatl" = 0.01을 던졌습니다. 이 "주머니" . 그런 다음 그는 이 백 포켓의 내용을 마지막 100개 막대에 표시했습니다. 그리고 PV를 정규화하기 위해 조사된 VR에 계수 K > 1을 곱했습니다.
내 코드는 다음과 같습니다.
for(int i = limit; i >= 0; i--) { if(first) for(int k = 200; k >0; k--) Ind2[k] = 0.0; // Инициализация нулем first = false; //--------------------------------------------------- res = th(kf*(Close[i] - Close[i+1])/Close[i+1]); // Входной ВР Ind1[i] = res; //-------------------------------------------------------
즉, 칠면조를 사용하여 이 계수를 "수동으로" 선택한 다음 NS 코드에 상수로 삽입합니다. 이것은 작동하지만 NN의 입력에서 VR 증분이 동일한 시간 간격(예: 각 막대 또는 동일한 n개의 막대)에 걸쳐 취해진 경우에만 가능합니다. 그러나 입력에서 동일하지 않은 시간 간격(예: 피보나치 수열을 따라)에 대해 취한 증분이 2,3,5,8인 경우 이러한 각 카운트에 대해 MO 정규화 계수는 달라야 합니다! 그리고 일반적으로 효율적이기는 하지만 지능적으로는 그렇게 하지 않습니다. :-)
출력 뉴런의 경우 출력을 사용하여 이벤트의 확률을 추정하는 경우 입력에 비선형 FA가 있어야 합니다. 모든 것이 할 것입니다(이것은 엄격하게 입증됨). 따라서 th를 넣으십시오.
그래요. 나는 th() -:) 말장난을 통해 모든 것을 가지고 있지만 ...
나는 당신이 설명 한대로 모든 것을합니다 :
1. 모든 뉴런에는 하나의 단일 입력(+1)이 있습니다(물론 데이터가 있는 다른 입력에 추가됨).
2. 마지막 출력, 비선형 FA를 제외한 모든 뉴런의 출력에서 th(x)를 사용합니다.
이제 출력에서 확률을 얻으려면 이 출력이 +/-1(내가 이해하는 한) 내에 있어야 합니다. 이제 이 마지막 출력이 어떻게 형성되는지 봅시다.
그리고 그것은 다음과 같이 형성됩니다. OUT1*W1 + OUT2*W2 + OUT3*W3 + W4 OUT1 - OUT3이 이전 레이어의 뉴런 출력의 하이퍼탄젠트이고 범위에서 값을 취한다는 점을 고려하면 - /+1 및 W1 - W4 - 가중치, 범위 -/+1에서 값을 취하면 출력 뉴런의 진폭은 범위 -/+ 4 입니다. 따라서 괜찮습니다. 하지만 가중치가 상당히 넓은 범위에서 변할 수 있다는 점을 고려하면 - +/-20이 표준이라고 말했듯이 그리드의 출력 신호 진폭 변화의 한계는 다음 이상으로 사라집니다. 지평선.
질문:
1. 이러한 조건에서 거래의 확률을 어떻게 평가합니까?
2. 출력 신호를 정규화해야 하는 경우 무엇으로 정규화해야 합니까?
MatLab의 계산에 관해서는 - 불행히도 나에게 이것은 MatLab 자체와 같은 어두운 숲입니다.
이전에 몇 가지 게시물을 인용한 계산에서 나는 솔직히 한 시간 반 동안 "순무를 떠돌았지만" 거의 모든 것을 이해하지 못했습니다.
그리고, 제 중요성을 용서해 주십시오. 하지만 ORO 알고리즘에 따르면 여전히 답변보다 질문이 훨씬 더 많습니다.
미백으로 모든 것이 명확해 보입니다.
아키텍처는 이해할 수 있습니다.
신기원과 최적의 샘플링을 사용하면 거의 명확해집니다.
여기에서 "아름다운 계획"에 대한 최적의 샘플 크기를 계산하려고 했는데 다음과 같은 결과가 나왔습니다.
입력 수 - 4
시냅스 수 - 4*6 + 3*3 + 4 = 37
계수 - 4
P = k*w*w/d = 4*37*37/4 = 1369 .... 하지만 1500이어야 합니다.
그래서 마지막 뉴런의 출력에 th()를 넣으면 모든 문제가 사라질 것입니다! 이 경우 그리드를 훈련하는 것이 더 어려워지지 않습니다.
여기에서 "아름다운 계획"에 대한 최적의 샘플 크기를 계산하려고 했는데 다음과 같은 결과가 나왔습니다.
입력 수 - 4
시냅스 수 - 4*6 + 3*3 + 4 = 37
계수 - 4
P = k*w*w/d = 4*37*37/4 = 1369 .... 하지만 1500이어야 합니다.
질문: 단일 입력의 시냅스를 계산해야 합니까? 나는 고려했다.
위원회의 각 구성원에 대한 최적의 훈련 벡터 길이를 계산합니다. 모든 구성원이 동일한 아키텍처를 사용하므로 다음 중 하나를 찾습니다.
1. 입력 수 d=3+1=4.
2. 시냅스 수 w=2*4+3+1=12
3. 훈련 벡터의 최적 길이 Р=4*w*w/d=4*12*12/4=144
따라서 이 네트워크 위원회를 훈련하려면 각각 144개 샘플의 길이를 갖는 3개의 훈련 벡터(위원 수에 따라)가 필요합니다. paralocus 에게 이 값이 작게 보이면 은닉층의 뉴런 수를 2개에서 4개 또는 8개로 늘리면 한 번에 500개 또는 2000개 카운트를 얻을 수 있습니다! 읽을 때마다이 모든 경제를 훈련하는 것이 바람직하다는 것을 잊지 마십시오. 충분하지 않을 것입니다.
당신에게는 5개의 독립적인 주기가 있고 나는 하나만 있습니다! 우아하게 보이거나 항상 그렇게 보이는 것이 더 낫습니다.
짐작했습니다 :)
창작하는 동안에는 아티스트처럼 보여야 해요! 그러나 내가 코딩 할 때 ... :o)))
추신 : Seryoga, 특히 MathCAD에서는 실질적으로 단수형이지만 C++/FORTRAN에서는 ... 다를 수 있지만 MathCAD에서는 (이 특정 경우에 대해) 부드럽게 말해서 그렇지 않습니다. 평균을 사용하면 계산이 훨씬 빨라지고 예를 들어 corr 을 사용하면 "빠른" 알고리즘이 버그가 됩니다. o) 어떻게 하는지는 모르겠지만 "합계" 연산자를 사용하면 주기가 훨씬 빠릅니다. 그렇지 않은 경우 최신 버전을 설치하십시오.
입력 신호의 상관 관계에 어떤 문제가 있는지 암시합니다. 입력으로 무엇을 제출하고 문제가 있다고 결정한 이유는 무엇입니까? 결국, 그것을 해결하는 것보다 존재하지 않는지 확인하는 것이 더 쉽습니다 :-)
문제가 아닙니다. 저는 수학에 소질이 있습니다.
내가 PV를 계산했다고 생각합니까? 당신은 그것을 믿지 않을 것입니다! 미리 범위 -/+1을 0.02의 등간격으로 나눈 주기에서 전체 VR을 실행하고 이 막대의 VR 값이 -0.98 : +1 범위에 떨어지면 하나의 "chatl" = 0.01을 던졌습니다. 이 "주머니" . 그런 다음 그는 이 백 포켓의 내용을 마지막 100개 막대에 표시했습니다. 그리고 PV를 정규화하기 위해 조사된 VR에 계수 K > 1을 곱했습니다.
내 코드는 다음과 같습니다.
{
if(first)
for(int k = 200; k >0; k--)
Ind2[k] = 0.0; // Инициализация нулем
first = false;
//---------------------------------------------------
res = th(kf*(Close[i] - Close[i+1])/Close[i+1]); // Входной ВР
Ind1[i] = res;
//-------------------------------------------------------
pos = -1.0;
for(int j=200; j>0; j--)
{
if((res > pos) && (res < (pos+step))) // расчет МО
{
if( i > 2 )
{Ind2[j] = Ind2[j] + chatl;}
break;
}
else
{pos = pos + step;}
}
}
즉, 칠면조를 사용하여 이 계수를 "수동으로" 선택한 다음 NS 코드에 상수로 삽입합니다. 이것은 작동하지만 NN의 입력에서 VR 증분이 동일한 시간 간격(예: 각 막대 또는 동일한 n개의 막대)에 걸쳐 취해진 경우에만 가능합니다. 그러나 입력에서 동일하지 않은 시간 간격(예: 피보나치 수열을 따라)에 대해 취한 증분이 2,3,5,8인 경우 이러한 각 카운트에 대해 MO 정규화 계수는 달라야 합니다! 그리고 일반적으로 효율적이기는 하지만 지능적으로는 그렇게 하지 않습니다. :-)
알았습니다.
그렇다면, 국회 투입과의 상관관계는 무엇인가?
알았습니다.
그렇다면, 국회 투입과의 상관관계는 무엇인가?
분명히 그것은 중요하지 않거나 존재하지 않습니다. 그래프 아래의 터키를 참조하십시오. 각 파란색 선은 입력 중 하나입니다.
놀라운 점은 NS가 매우 잘 작동한다는 것입니다! "날카롭게"한지 2개월 후 매우 수용 가능한(27%) 감소로 성장합니다.
나는 또한 묻고 싶었다.
FA가 없는 그리드의 출력 뉴런은 우리는 계획된 거래의 성공 확률의 척도로 사용하는 진폭을 취하지만 정규화되지도 않습니다.
출력 정규화가 필요합니까? 그렇지 않은 경우 일반적으로 +/-1을 넘어서기 때문에 얻은 확률을 평가하는 방법
분명히 그것은 중요하지 않거나 존재하지 않습니다. 그래프 아래의 터키를 참조하십시오. 각 파란색 선은 입력 중 하나입니다.
놀라운 점 - NS는 매우 잘 작동합니다! "날카롭게"한지 2개월 후 매우 수용 가능한(27%) 감소로 성장합니다.
따라서 표백제를 사용할 필요가 없습니다!
일반적으로 두 개의 선택된 BP에 대한 쌍 상관 계수의 수치적 추정치를 얻는 것이 좋습니다. 다음은 범용 쌍 상관 관계 측정기의 모습입니다.
MQL로 전송하고 동일한 길이 - n의 두 VR(X, Y)을 구동하면 입력에서 +/-1 범위의 숫자를 얻습니다. 따라서 칠면조에 대한 상관 계수는 +0.6에 이릅니다.
출력 뉴런의 경우 출력을 사용하여 이벤트의 확률을 추정하는 경우 입력에 비선형 FA가 있어야 합니다. 모든 것이 할 것입니다(이것은 엄격하게 입증됨). 따라서 th를 넣으십시오.
...
이해가 안 가는데 n 값을 어떻게 구해요????
더 간단하고 명확하다고 생각합니다 :o):
이 경우 루프를 만드는 것은 의미가 없으며 합산 연산자는 비슷한 작업을 제시간에 수행합니다.
PS 게다가 'FAK'가 전혀 아니라 의미가 조금 다릅니다.
출력 뉴런의 경우 출력을 사용하여 이벤트의 확률을 추정하는 경우 입력에 비선형 FA가 있어야 합니다. 모든 것이 할 것입니다(이것은 엄격하게 입증됨). 따라서 th를 넣으십시오.
그래요. 나는 th() -:) 말장난을 통해 모든 것을 가지고 있지만 ...
나는 당신이 설명 한대로 모든 것을합니다 :
1. 모든 뉴런에는 하나의 단일 입력(+1)이 있습니다(물론 데이터가 있는 다른 입력에 추가됨).
2. 마지막 출력, 비선형 FA를 제외한 모든 뉴런의 출력에서 th(x)를 사용합니다.
이제 출력에서 확률을 얻으려면 이 출력이 +/-1(내가 이해하는 한) 내에 있어야 합니다. 이제 이 마지막 출력이 어떻게 형성되는지 봅시다.
그리고 그것은 다음과 같이 형성됩니다. OUT1*W1 + OUT2*W2 + OUT3*W3 + W4 OUT1 - OUT3이 이전 레이어의 뉴런 출력의 하이퍼탄젠트이고 범위에서 값을 취한다는 점을 고려하면 - /+1 및 W1 - W4 - 가중치, 범위 -/+1에서 값을 취하면 출력 뉴런의 진폭은 범위 -/+ 4 입니다. 따라서 괜찮습니다. 하지만 가중치가 상당히 넓은 범위에서 변할 수 있다는 점을 고려하면 - +/-20이 표준이라고 말했듯이 그리드의 출력 신호 진폭 변화의 한계는 다음 이상으로 사라집니다. 지평선.
질문:
1. 이러한 조건에서 거래의 확률을 어떻게 평가합니까?
2. 출력 신호를 정규화해야 하는 경우 무엇으로 정규화해야 합니까?
MatLab의 계산에 관해서는 - 불행히도 나에게 이것은 MatLab 자체와 같은 어두운 숲입니다.
이전에 몇 가지 게시물을 인용한 계산에서 나는 솔직히 한 시간 반 동안 "순무를 떠돌았지만" 거의 모든 것을 이해하지 못했습니다.
그리고, 제 중요성을 용서해 주십시오. 하지만 ORO 알고리즘에 따르면 여전히 답변보다 질문이 훨씬 더 많습니다.
미백으로 모든 것이 명확해 보입니다.
아키텍처는 이해할 수 있습니다.
신기원과 최적의 샘플링을 사용하면 거의 명확해집니다.
여기에서 "아름다운 계획"에 대한 최적의 샘플 크기를 계산하려고 했는데 다음과 같은 결과가 나왔습니다.
입력 수 - 4
시냅스 수 - 4*6 + 3*3 + 4 = 37
계수 - 4
P = k*w*w/d = 4*37*37/4 = 1369 .... 하지만 1500이어야 합니다.
질문: 단일 입력의 시냅스를 계산해야 합니까? 나는 고려했다.
이해가 안 가는데 n 값은 어떻게 구해요????
밖에서.
안녕하세요 Seryoga입니다!
당신에게는 5개의 독립적인 주기가 있고 나는 하나만 있습니다! 우아하게 보이거나 항상 그렇게 보이는 것이 더 낫습니다.
paralocus 작성 >>
질문:
1. 이러한 조건에서 거래의 확률을 어떻게 평가합니까?
2. 출력 신호를 정규화해야 하는 경우 무엇으로 정규화해야 합니까?
그래서 마지막 뉴런의 출력에 th()를 넣으면 모든 문제가 사라질 것입니다! 이 경우 그리드를 훈련하는 것이 더 어려워지지 않습니다.
여기에서 "아름다운 계획"에 대한 최적의 샘플 크기를 계산하려고 했는데 다음과 같은 결과가 나왔습니다.
입력 수 - 4
시냅스 수 - 4*6 + 3*3 + 4 = 37
계수 - 4
P = k*w*w/d = 4*37*37/4 = 1369 .... 하지만 1500이어야 합니다.
질문: 단일 입력의 시냅스를 계산해야 합니까? 나는 고려했다.
위원회의 각 구성원에 대한 최적의 훈련 벡터 길이를 계산합니다. 모든 구성원이 동일한 아키텍처를 사용하므로 다음 중 하나를 찾습니다.
1. 입력 수 d=3+1=4.
2. 시냅스 수 w=2*4+3+1=12
3. 훈련 벡터의 최적 길이 Р=4*w*w/d=4*12*12/4=144
따라서 이 네트워크 위원회를 훈련하려면 각각 144개 샘플의 길이를 갖는 3개의 훈련 벡터(위원 수에 따라)가 필요합니다. paralocus 에게 이 값이 작게 보이면 은닉층의 뉴런 수를 2개에서 4개 또는 8개로 늘리면 한 번에 500개 또는 2000개 카운트를 얻을 수 있습니다! 읽을 때마다이 모든 경제를 훈련하는 것이 바람직하다는 것을 잊지 마십시오. 충분하지 않을 것입니다.
밖에서.
안녕하세요 Seryoga입니다!
당신에게는 5개의 독립적인 주기가 있고 나는 하나만 있습니다! 우아하게 보이거나 항상 그렇게 보이는 것이 더 낫습니다.
짐작했습니다 :)
창작하는 동안에는 아티스트처럼 보여야 해요! 그러나 내가 코딩 할 때 ... :o)))
추신 : Seryoga, 특히 MathCAD에서는 실질적으로 단수형이지만 C++/FORTRAN에서는 ... 다를 수 있지만 MathCAD에서는 (이 특정 경우에 대해) 부드럽게 말해서 그렇지 않습니다. 평균을 사용하면 계산이 훨씬 빨라지고 예를 들어 corr 을 사용하면 "빠른" 알고리즘이 버그가 됩니다. o) 어떻게 하는지는 모르겠지만 "합계" 연산자를 사용하면 주기가 훨씬 빠릅니다. 그렇지 않은 경우 최신 버전을 설치하십시오.