Учебное пособие. Иркутск: Изд-во БГУЭП, 2003. - 178 с. Учебное пособие представляет собой вводный курс по теории и экономическим приложениям динамических систем. В нем дается представление о моделировании динамических процессов в дискретном и непрерывном...
米哈伊尔-马奇卡耶特
- 你能告诉我你在分类器中的变量双决定是什么乘数吗？
啊，这些可能是最初设定的，在学习过程中，然后由NSET进行自我调整。即最初，可能，随机...(但他们的标志中至少有任何逻辑吗？)...
但函数和常量中的操作逻辑问题（为什么它们完全是这样的，函数为什么完全是这样的）仍然存在？
"呃......如果有人愿意帮忙就好了......"©
你能告诉我可以用什么算法来分离这三个类，特别是对标为蓝色的类感兴趣。这只狗被分为两个独立的部分，不幸的是，我不知道如何划分目标的标记，以便将左右两部分分开。也许你能提供一些建议？
"呃......如果有人愿意帮忙就好了......"©
你能告诉我可以用什么算法来分离这三个类，特别是对标为蓝色的类感兴趣。这只狗被分成两个独立的部分，不幸的是，我不知道如何分离目标的标记，以便将左右部分分开。也许你可以给我一些建议？
通过眼睛，用两条直线分开。
米哈伊尔-马奇卡耶特
我鼓起勇气看了看你的代码（往往代码中的真理比所有教科书中的都要多）--你能告诉我你的分类器中可变双重决策中的那些乘数是什么吗--它们是权重吗......以及你最初是如何找到它们的？ 也就是说，为什么是这些？
或者更好的是，请评论--它需要什么变量，以及函数代码
预先感谢!
p.s.
1.我看到你用sigmoid（S型）作为激活函数......它是 "经常被用作挤压函数"。
2.也许一个方形的会更好？
这是正确的，你写的是网络的解决方案，如果你用不同的方式写，就会是这样的。
它在数学上被称为多项式，系数乘以输入的值再加上另一个系数乘以激活函数与另一个输入的值或与输入的值之和，如下图所示，减去系数，以此类推......。结果我们得到一个高于或低于零的数字，它对应于这个或那个类别，但对于人工智能系统来说，趋势分类的方法被应用，这时除了 "是"、"不是"，还出现了 "不知道 "的答案。这是通过在一个AI系统中使用两个NS来实现的，即所谓的委员会。值得注意的是，委员会本身并没有大大改善整个模型的质量。那就是让5个或更多的模型组成的委员会没有意义，但两个模型是最好的，改进训练的效果仍然存在。
这个代码
它对输入值进行归一化处理，这是一个内部的、技术上的归一化处理，然后直接送入方程。归一化本身就做了一个范围缩减。也就是说，它不改变系列的比例，系列本身看起来就像一个完美的原件，但在这种归一化之后，它开始位于当前系列的最大值和最小值的范围。一般来说，减少到的范围。
关于资产函数，是的，有它的代码，这意味着解决方案在每个神经元中不是线性的!基本上这就是网络的一个神经元。
-0.13861638107404117 * sigmoid(x0)不难计算出，这个多项式有6个神经元，使用4个输入。米哈伊尔-马奇卡耶特
2.也许用正方形比较好？
平方，我们得到变化的速度，即变量变化的速度，而普通的差值将给我们带来变化的程度，即微笑的实际值有多大变化。这就是为什么我在谈论微笑，我还是做不到。在Ubuntu上，我的办公室让我的系统崩溃了，我不能从它那里启动。 我认为这与通过DDE和写作更新我的系统有关，当我在启动时遇到一些问题时，我搞砸了很多，但我很幸运，不知怎么就能启动并修复它。Linux系统的恢复能力比Windows更强。而windows有5-10%的恢复机会，linux有大约30-40%的恢复机会。几年前我就尊重linux，现在也是如此 :-)
一般来说，尽量对使用的数据做最少的数学变化，最大限度地加为整合，分钟内不仅要找出变化的符号，还要找出这种变化的程度，大概就是这样，然后进行归一化、比例化等等。"呃......如果有人愿意帮忙就好了......"©
你能告诉我可以用什么算法来分离这三个类，特别是对标为蓝色的类感兴趣。这只狗被分成两个独立的部分，不幸的是，我不知道如何分离目标的标记，以便将左右部分分开。也许你能提供一些建议？
"呃......如果有人愿意帮忙就好了......"©
你能告诉我可以用什么算法来分离这三个类，特别是对标为蓝色的类感兴趣。这只狗被分成两个独立的部分，不幸的是，我不知道如何分离目标的标记，以便将左右部分分开。也许你能提供一些建议？
发送数据，我试试。
也想提出来试试！！！。
这就是为什么我在谈论微笑，仍然做不到。
顺便说一下，是的，它的变化动态会更有趣（有一个关于哪些选项由于需求而变得更昂贵/减少的声明，我猜）--作为一个替代方案，可以使用斜率线（弹性）在+/-Delta等于从中央打击（更好的具体从西雅图Fut通过线性回归）...我认为（为了简化计算）...但是，当通过弹性估计时，应该以某种方式中和rt的贡献......和/或通过dt研究系列--这样rt变量的偏斜度（%*天数，直到exp.）就不会被干扰......它毕竟是指数式的
*****************
我一直在想一个蜘蛛网模型（C59）（在争取平衡/不平衡的背景下）......该模型的数学原理让我感到害怕
一般来说，尽量对使用的数据进行最少的数学变化，最大的加号用于合并，减号不仅要找出变化的符号，还要 找出变化的强烈程度，大概就是这样了，然后进行归一化、比例化等。
谢谢...我会尝试的，因为我曾经把所有的东西都自动除掉，以得到比率（例如，按价格和/或成交量计算的看涨看跌比率）...真的，显然在数学中还有其他的操作--只是在水平方向上建立模型（又称dt）来追踪动态。