Pronto para se envolver - com soluções prontas, experiência, e até codificação.
Muita gente está pronta há muito tempo. Mas as MetaQuotes não podem passar das palavras aos actos, pois não?
yu-sha:
Precisa de um tópico fechado onde você possa discutir adequadamente a arquitetura, perspectivas e direções
Quanto mais discussão podemos ter? Só 86 páginas deste fio.
O fato de que todos os alagadores deste tópico se moverão para um ramo privado, é claro, o resto dos visitantes do fórum será melhor, pois a leitura de dezenas de páginas de inundação não será necessária.
Na realidade tudo é muito mais fácil, porque quem precisa e quem sabe como fazer isso há muito tempo desenhou uma grelha. O resto de nós lemos 86 páginas de inundações neste fórum.
A questão é que alguns visitantes deste fórum também têm alguma experiência e know-how sobre o assunto.
Por exemplo, eu tenho um projeto OOP feito por mim em Java. Não o reconstruí para o mql5, porque não havia necessidade.
Fi-lo por mim mesmo com o meu próprio algoritmo de aprendizagem. A principal vantagem é que você não sabe com antecedência quantos neurônios são necessários em uma camada oculta. A grade pode remover neurônios extras da camada oculta e coeficientes de ponderação extras do neurônio de saída, respectivamente.
Isto é o aspecto de um neurónio artificial:
package neuronet;
import java.util.*;
/**
* Искусственный нейрон
* @author Yury V. Reshetov
*/publicclass Neuron {
/**
* Весовые коэффициенты
*/privatedouble[] weights = null;
/**
* Пороговое значение
*/privatedouble threshold = 0 d;
privateint[] result = null;
/**
* Конструктор нейрона
* @param w весовые коэффициенты
* @param t пороговое значение
*/public Neuron(double[] w, double t) {
this.weights = w;
this.threshold = t;
}
/**
* Конструктор случайного нейрона
* @param inputs количество весовых коэффициентов
* @param rand генератор псевдослучайных чисел
*/public Neuron(int inputs, Random rand) {
this.threshold = rand.nextDouble() * 2 d - 1 d;
this.weights = newdouble[inputs];
for (int i = 0; i < inputs; i++) {
this.weights[i] = rand.nextDouble() * 2 d - 1 d;
}
}
/**
* Вычисление
* @param inputs входные значения
* @return результат на выходе нейрона
*/publicdouble getOutput(double[] inputs) {
double sum = this.threshold;
for (int i = 0; i < this.weights.length; i++) {
sum = sum + inputs[i] * this.weights[i];
}
returnthis.getSigmoidValue(sum);
}
/**
* Возвращает значения весовых коэффициентов
* @return весовые коэффициенты
*/publicdouble[] getWeights() {
returnthis.weights;
}
/**
* Возвращает пороговое значение
* @return пороговое значение
*/publicdouble getThreshold() {
returnthis.threshold;
}
/**
* Возвращает результаты
* @return результаты
*/publicint[] getResult() {
returnthis.result;
}
publicvoid changeWeights(double[] w) {
this.weights = w;
}
/**
* Обучение нейрона
* @param samples обучающая выборка. Последний элемент столбца - выходное значение
*/publicvoid learning(double[][] samples) {
// Заменяем выходное значение на обратную функцию сигмоида из этого значенияfor (int i = 0; i < samples.length; i++) {
samples[i][samples[0].length - 1] = this.getArcSigmoidValue(samples[i][samples[0].length - 1]);
}
double[][] tempsamples = newdouble[samples.length][samples[0].length * 2];
int count = samples[0].length;
for (int i = 0; i < tempsamples.length; i++) {
for (int j = 0; j < count; j++) {
tempsamples[i][j] = samples[i][j];
tempsamples[i][j + count] = - tempsamples[i][j];
}
}
// Создаем объект оптимизатора
Optimizator opt = new Optimizator(new Random());
// Получаем результатыthis.result = opt.getDataForColls(tempsamples, tempsamples[0].length);
// Переводим результаты в вещественный форматdouble[] res = newdouble[this.result.length];
for (int i = 0; i < res.length; i++) {
res[i] = this.result[i];
}
// Получаем значения количества использований оптимизатором для примеровint[] getP = opt.getP();
// Максимальное значение количества использованийint maximum = getP[0];
// Индекс примера с максимальным количеством использованийint maxindex = 0;
// Ищем индекс примера с максимальным количеством использованийfor (int i = 1; i < getP.length; i++) {
if (getP[i] > maximum) {
maximum = getP[i];
maxindex = i;
}
}
// Максимальное значение весового коэффициентаdouble maxi = Math.abs(res[0]);
// Ищем максимальное значение весового коэффициентаfor (int i = 1; i < res.length; i++) {
if (Math.abs(res[i]) > maxi) {
maxi = Math.abs(res[i]);
}
}
// Стабильное абсолютное значение константы double bestsum = 0;
// Вычисляем стабильное значение константы for (int j = 0; j < samples[0].length; j++) {
bestsum = bestsum + res[j] * samples[maxindex][j];
}
// Получаем стабильное абсолютное значение константы
bestsum = Math.abs(bestsum);
// Корректируем результаты на стабильное абсолютное значение константыfor (int i = 0; i < res.length; i++) {
res[i] = res[i] / bestsum;
}
// Вычисляем пороговое значениеthis.threshold = 1 d / res[res.length - 1];
// Вычисляем весовые коэффициентыfor (int i = 0; i < this.weights.length; i++) {
this.weights[i] = -res[i] / res[res.length - 1];
}
}
/**
* Вычисляет значение сигмоидальной функции
* @return значение сигмоидальной функции
*/privatedouble getSigmoidValue(double x) {
return Math.atan(x);
}
/**
* Вычисляет обратное значение сигмоидальной функции
* @return обратное значение сигмоидальной функции
*/privatedouble getArcSigmoidValue(double x) {
return Math.tan(x);
}
}
Isto é o que parece uma camada escondida:
package neuronet;
import java.util.*;
/**
* Скрытый слой
* @author Yury V. Reshetov
*/publicclass HiddenLayer {
// Массив нейронов скрытого слояprivate Neuron[] neurons = null;
/**
* Создание скрытого слоя нейронов
* @param neuronscount количество нейронов в скрытом слое
* @param inputscount количество входов у нейронов
* @param rand генератор склучайных чисел
*/public HiddenLayer(int inputscount, Random rand) {
this.neurons = new Neuron[inputscount * 5];
System.out.println("Количество нейронов скрытого слоя = " + this.neurons.length);
for (int i = 0; i < this.neurons.length; i++) {
this.neurons[i] = new Neuron(inputscount, rand);
}
}
/**
* Возвращает массив нейронов
* @return массив нейронов скрытого слоя
*/public Neuron[] getNeurons() {
returnthis.neurons;
}
/**
* Возвращает результаты входного слоя
* @param inputs массив входных значений
* @return массив результатов
*/publicdouble[] getOutputs(double[] inputs) {
double[] results = newdouble[this.neurons.length];
for (int i = 0; i < this.neurons.length; i++) {
results[i] = this.neurons[i].getOutput(inputs);
}
return results;
}
/**
* Получает обучающую выборку для следующего нейрона из входной обучающей выборки
* @param samples обучающая выборка
* @return обучающая выборка для следующего нейрона
*/publicdouble[][] getOutputs(double[][] samples) {
double[][] results = newdouble[samples.length][this.neurons.length + 1];
for (int i = 0; i < samples.length; i++) {
for (int j = 0; j < this.neurons.length; j++) {
results[i][j] = this.neurons[j].getOutput(samples[i]);
}
results[i][this.neurons.length] = samples[i][samples[0].length - 1];
}
return results;
}
/**
* Изменение архитектуры скрытого слоя.
* Удаляет лишние нейроны из скрытого слоя и лишние весовые
* коэффициенты из следующего за данным слоем нейрона.
* @param nextneuron нейрон после скрытого слоя
*/publicvoid reorganization(Neuron nextneuron) {
int counter = 0;
int[] result = nextneuron.getResult();
for (int i = 0; i < result.length - 1; i++) {
if (result[i] != 0) {
counter++;
}
}
Neuron[] temp = new Neuron[counter];
double[] weights = newdouble[counter];
counter = 0;
for (int i = 0; i < result.length - 1; i++) {
if (result[i] != 0) {
weights[counter] = nextneuron.getWeights()[i];
temp[counter] = this.neurons[i];
counter++;
}
}
nextneuron.changeWeights(weights);
this.neurons = temp;
}
}
É assim que a grelha de três camadas é implementada:
package neuronet;
import java.util.*;
/**
* Трехслойная нейронная сеть с одним выходом
* @author Yury V. Reshetov
*/publicclass NN {
private Random rand = null;
private HiddenLayer hiddenlayer = null;
private Neuron tailneuron = null;
/**
* Конструктор нейронной сети
* @param inputs
*/public NN() {
}
/**
* Результат нейронной сети
* @param sample значения входов
* @return результат
*/publicdouble getOutput(double[] sample) {
double[] sample1 = this.hiddenlayer.getOutputs(sample);
returnthis.tailneuron.getOutput(sample1);
}
/**
* Обучение нейронной сети
* @param samples обучающая выборка
*/publicvoid learning(double[][] samples) {
this.rand = new Random();
this.hiddenlayer = new HiddenLayer(samples[0].length - 1, this.rand);
double[][] samples1 = this.hiddenlayer.getOutputs(samples);
this.tailneuron = new Neuron(samples1[0].length - 1, this.rand);
this.tailneuron.learning(samples1);
this.hiddenlayer.reorganization(tailneuron);
}
}
O código que Reshetov sugeriu está mais próximo da teoria para a prática, mas ainda não entendo porque pesos aleatórios são necessários quando podem ser determinados empiricamente.
Não, bem, se é assim que a questão é colocada, então não me mencione))))
Geração nekst tempestades neroyproekt :) os mesmos erros, o caranguejo e o lúcio.
A prática mostra que projetos Open Source são desenvolvidos se e somente se houver uma implementação inicial (núcleo) e no Open Source o polimento (adicionando todo tipo de bugigangas e facilidade de uso) é feito.
Para login e uso do site MQL5.com, você deve ativar o uso de cookies.
Ative esta opção no seu navegador, caso contrário você não poderá fazer login.
Você entrou na conta. A autenticação de dois fatores foi desativada. Configure-a novamente e escaneie um novo código QR ou continue com a autenticação de dois fatores desativada.
O que há de tão embaraçoso nisso?
Pronto para se envolver - com soluções prontas, experiência, e até codificação.
Precisamos de um fio fechado onde possamos discutir adequadamente a arquitetura, perspectivas e direções
Pronto para se envolver - com soluções prontas, experiência, e até codificação.
yu-sha:
Precisa de um tópico fechado onde você possa discutir adequadamente a arquitetura, perspectivas e direções
Quanto mais discussão podemos ter? Só 86 páginas deste fio.
O fato de que todos os alagadores deste tópico se moverão para um ramo privado, é claro, o resto dos visitantes do fórum será melhor, pois a leitura de dezenas de páginas de inundação não será necessária.
Na realidade tudo é muito mais fácil, porque quem precisa e quem sabe como fazer isso há muito tempo desenhou uma grelha. O resto de nós lemos 86 páginas de inundações neste fórum.
A questão é que alguns visitantes deste fórum também têm alguma experiência e know-how sobre o assunto.
Por exemplo, eu tenho um projeto OOP feito por mim em Java. Não o reconstruí para o mql5, porque não havia necessidade.
Fi-lo por mim mesmo com o meu próprio algoritmo de aprendizagem. A principal vantagem é que você não sabe com antecedência quantos neurônios são necessários em uma camada oculta. A grade pode remover neurônios extras da camada oculta e coeficientes de ponderação extras do neurônio de saída, respectivamente.Isto é o aspecto de um neurónio artificial:
Isto é o que parece uma camada escondida:
É assim que a grelha de três camadas é implementada:
Escrever uma rede não é um problema
A questão principal é como e sob que molho integrá-lo no terminal
Não nos vamos complicar muito ou vai haver muito flub, proponho-me prever apenas o próximo bar.
Dito isto, risca-me))))
Não, bem, se é assim que a questão é colocada, então não me mencione))))
Geração nekst tempestades neroyproekt :) os mesmos erros, o caranguejo e o lúcio.
A prática mostra que projetos Open Source são desenvolvidos se e somente se houver uma implementação inicial (núcleo) e no Open Source o polimento (adicionando todo tipo de bugigangas e facilidade de uso) é feito.
Aqueles que sabem "fazer" já o fizeram.Para eles próprios, naturalmente.
Você quer participar diretamente?
Nós vamos colocar o financiamento e a gestão geral. Vamos iniciar o projeto comum noMQL5 Storage e podemos começar.
Há dois pré-requisitos que devemos cumprir:
- financiamento
- gestão comum
Há outra vantagem importante: o iniciador do projeto é o "velho" gerente de MetaQuotes.
Assim, as chances deste empreendimento desmoronar antes mesmo de ter começado são mínimas.
P.S.
Que seja um Código Aberto - qual é o problema?