Есть же вроде стандартная процедура построения ортонормированного набора. То ли Лагранжа, то ли еще кого. Ну ладно, если решили задачу, да еще и доказали, тогда о чем разговор...
Mathemat: Есть же вроде стандартная процедура построения ортонормированного набора. То ли Лагранжа, то ли еще кого. Ну ладно, если решили задачу, да еще и доказали, тогда о чем разговор...
Ненененене!!! Если есть - давай выкладывай! Очень интересно, я искал не нашёл.
Интересуют разные способы, ибо могут влиять на скорость решения целевой задачи.
Метод последовательной ортогонализации можно увидеть в нижеприведенном куске кода. Gradient - это случайный вектор из которого убираются проекции на вектора базиса. Базис расположен в одномерном массиве Sarray . Все массивы объявлены глобальными. Процесс, думаю, ясен из комментариев.
//+------------------------------------------------------------------+//| в массиве Sarray записан ортонормированный базис из k векторов |//| размерности NeuroCellDim каждый |//| строится ортогональная проекция вектора Gradient на базис |//| в случае успеха проекция нормируется |//| и добавляется в базис, если позволяет признак записи: write > 0 |//+------------------------------------------------------------------+int OrthogonalProjection(int k, int write)
{
int i, j, err = 0, index = 0;
double Alpha;
if (k > 0) // если k>0, то базис не пустfor (i = 0; i < k; i++)
{
for (j = 0; j < NeuroCellDim; j++)
{
InputX[j] = Sarray[index]; // извлекаем i-й орт в InputX
index++;
}
Alpha = ScalarProduct( Gradient, InputX); // скалярное произведение, cos(Gradient, InputX)if (Alpha > 1.0 - delta) // если cos() = 1
{
err = -1; // считаем, что такой вектор линейно зависим от векторов базисаbreak;
}
// Gradient := Gradient - Alpha * InputX с нормировкой
AddVektors( Gradient, InputX, -Alpha); // орт к базису из i+1 векторов
}
if (err >= 0 && write > 0) // если существует проекция и позволяет признак записиfor (j = 0; j < NeuroCellDim; j++) // записываем новый орт в базис
{
Sarray[index] = Gradient[j];
index++;
}
return(err);
}
//+--- OrthogonalProjection End -------------------------------------+
Люди, подскажите. Я потерялся. Задачка в следующем: есть выборка данных, которые очень хорошо аппроксимируются линейной регрессией (независимая переменная - номер отсчета).
На графике видно уравнение линейной регрессии. Я хочу преобразовать данные из выборки так, чтобы они были инвариантны относительно отсчетов. Попробовал арифметическими действиями выделить свободный член уравнения и привести данные из выборки к этому значению. Но в начале получился такой пик на уровне 0,7, 0,46 и т.д., уходящий на асимптоту нужного уровня. Откуда этот пик в начале взялся? Можно ли его убрать как изменив формулу?
Люди, подскажите. Я потерялся. Задачка в следующем: есть выборка данных, которые очень хорошо аппроксимируются линейной регрессией (независимая переменная - номер отсчета).
На графике видно уравнение линейной регрессии. Я хочу преобразовать данные из выборки так, чтобы они были инвариантны относительно отсчетов. Попробовал арифметическими действиями выделить свободный член уравнения и привести данные из выборки к этому значению. Но в начале получился такой пик на уровне 0,7, 0,46 и т.д., уходящий на асимптоту нужного уровня. Откуда этот пик в начале взялся? Можно ли его убрать как изменив формулу?
Эксель в аттаче на всякий случай.
Ладно, если других решений не будет, я поиском решения подобрал значение свободного члена уравнения, минимизируя R^2 уже по новому ряду (производному от исходного и который должен быть инвариантен), то есть, сделал его почти линейным. Видимо, проблема в том, что исходные данные не идеально линейны...
Люди, подскажите. Я потерялся. Задачка в следующем: есть выборка данных, которые очень хорошо аппроксимируются линейной регрессией (независимая переменная - номер отсчета).
На графике видно уравнение линейной регрессии. Я хочу преобразовать данные из выборки так, чтобы они были инвариантны относительно отсчетов. Попробовал арифметическими действиями выделить свободный член уравнения и привести данные из выборки к этому значению. Но в начале получился такой пик на уровне 0,7, 0,46 и т.д., уходящий на асимптоту нужного уровня. Откуда этот пик в начале взялся? Можно ли его убрать как изменив формулу?
Эксель в аттаче на всякий случай.
Ну, это значит только одно - что относительная ошибка аппроскимации тем больше, чем меньше Х (и Y), собственно а чего вы ожидали, деля маленькое число на другое маленькое? Попробуйте заменить переменную X' = X+100 и построить новый ряд в диапазоне не от 0 до 300, а от 100 до 400 - график будет намного прямее, но сути дела это не поменяет
Mislaid 10.03.2012 05:46Метод последовательной ортогонализации можно увидеть в нижеприведенном куске кода. Gradient - это случайный вектор
Mathemat:
1. Ну я пока не сильно вникал. Процесс Грама-Шмидта, его ж вроде в линейной алгебре проходят. Или в квадратичных формах.
Насколько я понял, достаточно начать и не с первого шага. Там и доказательство есть, и геометрические интертрепации.
2. Есть у меня такое подозрение, что в функциях OpenCL должно быть что-то нативное для этого процесса.
1. 1. to Mislaid,Mathemat,
И там и сям везде одно и то же - тот же процесс, который я вчера сам сконструировал. Последовательное вычитание проекций вектора на предыдущие орты.
В такие дни чувствую себя классиком.... :-))
--
Кстати, я уже ночью скрипт проверочный накатал и отладил. Попутно нашёл баг в оптимизаторе пятёры и отправил в сервисдеск. Баг обошёл, чуть изменив код. Так что всё работает. Надёжно и быстро, как мне и нужно было.
2. В опенЦЛ действительно есть, но только для трёхмерного случая. [cross(a, b); строит вектор ортогональный двум заданным ] А мне нужно для произвольной размерности.
Для авторизации и пользования сайтом MQL5.com необходимо разрешить использование файлов Сookie.
Пожалуйста, включите в вашем браузере данную настройку, иначе вы не сможете авторизоваться.
Вы вошли в аккаунт. Двухфакторная аутентификация отключена. Настройте её заново и отсканируйте новый QR-код или продолжите с отключённой двухфакторной аутентификацией.
Сплю я, сплю.
Есть же вроде стандартная процедура построения ортонормированного набора. То ли Лагранжа, то ли еще кого. Ну ладно, если решили задачу, да еще и доказали, тогда о чем разговор...
Ненененене!!! Если есть - давай выкладывай! Очень интересно, я искал не нашёл.
Интересуют разные способы, ибо могут влиять на скорость решения целевой задачи.
Логично. На чем будем деньги делать?
Ну я пока не сильно вникал. Процесс Грама-Шмидта, его ж вроде в линейной алгебре проходят. Или в квадратичных формах.
Насколько я понял, достаточно начать и не с первого шага. Там и доказательство есть, и геометрические интертрепации.
Есть у меня такое подозрение, что в функциях OpenCL должно быть что-то нативное для этого процесса.
Метод последовательной ортогонализации можно увидеть в нижеприведенном куске кода. Gradient - это случайный вектор из которого убираются проекции на вектора базиса. Базис расположен в одномерном массиве Sarray . Все массивы объявлены глобальными. Процесс, думаю, ясен из комментариев.
Люди, подскажите. Я потерялся. Задачка в следующем: есть выборка данных, которые очень хорошо аппроксимируются линейной регрессией (независимая переменная - номер отсчета).
На графике видно уравнение линейной регрессии. Я хочу преобразовать данные из выборки так, чтобы они были инвариантны относительно отсчетов. Попробовал арифметическими действиями выделить свободный член уравнения и привести данные из выборки к этому значению. Но в начале получился такой пик на уровне 0,7, 0,46 и т.д., уходящий на асимптоту нужного уровня. Откуда этот пик в начале взялся? Можно ли его убрать как изменив формулу?
Эксель в аттаче на всякий случай.
Люди, подскажите. Я потерялся. Задачка в следующем: есть выборка данных, которые очень хорошо аппроксимируются линейной регрессией (независимая переменная - номер отсчета).
На графике видно уравнение линейной регрессии. Я хочу преобразовать данные из выборки так, чтобы они были инвариантны относительно отсчетов. Попробовал арифметическими действиями выделить свободный член уравнения и привести данные из выборки к этому значению. Но в начале получился такой пик на уровне 0,7, 0,46 и т.д., уходящий на асимптоту нужного уровня. Откуда этот пик в начале взялся? Можно ли его убрать как изменив формулу?
Эксель в аттаче на всякий случай.
Люди, подскажите. Я потерялся. Задачка в следующем: есть выборка данных, которые очень хорошо аппроксимируются линейной регрессией (независимая переменная - номер отсчета).
На графике видно уравнение линейной регрессии. Я хочу преобразовать данные из выборки так, чтобы они были инвариантны относительно отсчетов. Попробовал арифметическими действиями выделить свободный член уравнения и привести данные из выборки к этому значению. Но в начале получился такой пик на уровне 0,7, 0,46 и т.д., уходящий на асимптоту нужного уровня. Откуда этот пик в начале взялся? Можно ли его убрать как изменив формулу?
Эксель в аттаче на всякий случай.
1.
Mislaid 10.03.2012 05:46Метод последовательной ортогонализации можно увидеть в нижеприведенном куске кода. Gradient - это случайный вектор
1. Ну я пока не сильно вникал. Процесс Грама-Шмидта, его ж вроде в линейной алгебре проходят. Или в квадратичных формах.
Насколько я понял, достаточно начать и не с первого шага. Там и доказательство есть, и геометрические интертрепации.
2. Есть у меня такое подозрение, что в функциях OpenCL должно быть что-то нативное для этого процесса.
1. 1. to Mislaid, Mathemat,
И там и сям везде одно и то же - тот же процесс, который я вчера сам сконструировал. Последовательное вычитание проекций вектора на предыдущие орты.
В такие дни чувствую себя классиком.... :-))
--
Кстати, я уже ночью скрипт проверочный накатал и отладил. Попутно нашёл баг в оптимизаторе пятёры и отправил в сервисдеск. Баг обошёл, чуть изменив код. Так что всё работает. Надёжно и быстро, как мне и нужно было.
2. В опенЦЛ действительно есть, но только для трёхмерного случая. [cross(a, b); строит вектор ортогональный двум заданным ] А мне нужно для произвольной размерности.