"新神经 "是MetaTrader 5平台的一个开源神经网络引擎项目。 - 页 15 1...8910111213141516171819202122...100 新评论 Mykola Demko 2011.10.21 15:31 #141 TheXpert。我不相信 :)再想一想，由于神经元使用共同记忆，给一个细胞赋值，它（值）立即在所有连接的神经元中可用，因此，由此可见，学习的所有区别在于将公式反向写到激活器上，其余的对所有人来说都是一样的，区别在于前进或后退。相当少的差异清单 :o)激活公式及其导数是在创建神经元时规定的（或者说，在从可用的神经元中选择一个类型时），学习路径的方向也是在创建网络时选择。 TheXpert 2011.10.21 15:44 #142 阿瓦尔斯。是的，你可以这么做，但这太夸张了）））。嗯，这怎么会不夸张呢？________________尼古拉，最简单、最明显、最快捷的表示方法是把向量和矩阵联系起来。 Mykola Demko 2011.10.21 15:54 #143 TheXpert。嗯，这怎么会不夸张呢？________________尼古拉，最简单、最明显、最快速的表示方法是通过连接向量和矩阵。但它与拓扑结构密切相关，或者（如果你将一些单元归零，这使你具有多样性）它是一种内存超限。你怎么能用矩阵来表示一个1000x1000的回声盆地，其中95%是不存在的呢？ 这个问题是反问句，很明显，用矩阵方法创建这样一个盆地，每个神经元都应该能够连接到任何神经元，这就是每个神经元1000000个潜在连接，乘以1000000个神经元，你就有10^6 x 10^6 mql矩阵，这是不可行的。 Avals 2011.10.21 17:52 #144 TheXpert。嗯，怎么不通过一件事呢？ 好了，这样我们就不必为TS与NS的特定变体拿出一个训练算法了。也就是说，让它自动发生：有一个带有NS的专家顾问，通过运行NS的训练，我们不关心它将如何实现，但我们不需要自己在某些附近收集输入值，等等。也许，在我们考虑的例子中，算法将与你描述的一样，如果，例如，NS是系统的另一部分，它将是不同的。一般来说，我希望它是形式化的一部分，并对用户隐藏。也许，这需要对NS的输出数据进行预处理，或者在其他情况下，对输入数据进行预处理，但在大多数情况下，它可以自动化，而不是由用户的脆弱肩膀来承担))))。我不知道如何将其正式化 :) TheXpert 2011.10.21 18:00 #145 阿瓦尔斯。所以，为了不至于为TC的某一变体发明一种带有NS的学习算法。你不能这样做 :) 最起码，你需要知道采取什么，教什么，以及如何评估。而这些都是你必须用你的双手来组织的事情。总的来说，我想让它成为形式化的一部分，并向用户隐藏。我不知道如何把它正式化 :)正是如此，我也不知道。不仅如此，有些套装根本就很难组合。神经元只是一种工具。在娴熟的手中（以列昂尼德为例），它甚至非常强大。我不知道他是否愿意给出一些建议。 Avals 2011.10.21 18:04 #146 TheXpert。你至少要知道拿什么，教什么和如何评价。而这些都是你必须用你的双手来组织的事情。正是如此，我也不知道。不仅如此，有些套装根本就很难组合。神经元只是一种工具。在有能力的人手中（以列奥尼德为例）非常强大。至少要考虑标准选项（例如上一页讨论的选项）。你提出了一个正式的解决方案。为什么你认为没有一个适合我们其他人的？有可能所有的人都归结为同类型的几个人。 TheXpert 2011.10.21 18:12 #147 阿瓦尔斯。 为什么你认为对他人没有过滤？是的，有:)，但这都是关于输入和输出:)网络是次要的。你可以用任何方式识别字母，MLP、PNN、SOM、回声网格，但原理几乎是一样的。阿瓦尔斯。可能，这一切都归结为几个同类的问题 这里有一个很好的例子--组织一个交易过滤器是小菜一碟。而要养活一个简单的TS，对一般人来说不是一个任务。而第一种情况几乎是100%的适合。 Avals 2011.10.21 18:19 #148 TheXpert: 是的，有:)，但这都是关于输入和输出:)网络是次要的。你可以用任何方式识别字母，MLP、PNN、SOM、echoset，但原理几乎是一样的。 因此，是的，NS数据的预处理和后处理是主要的耗时 和最微妙的事情。如果这在典型的TC变体下是系统化和部分自动化的，那么与第三方软件包相比，这是一个优势。否则，在他们那里做这些事情更容易（因为无论如何，他们更擅长与NS合作），并将已经准备好的模型转移到MT5上。 Dmitry Fedoseev 2011.10.21 18:23 #149 关于在EA中使用的类的组织的几封邮件。属性。 1.网络被训练后使用的最低数量的图像。2. 最大的图像数量。当一个新的图像被添加到训练集时，旧的图像被删除，网络被重新训练。外部方法。1. 发送要训练的图像。在EA中使用时，可以根据指标信号 ，给网络一个新的形象。2.询问网络是否准备好了。网络是否为足够数量的图像进行了训练。3.基本方法。向网络发送图像并接收结果。 当一个新的图像被送到网络进行训练时，要对其进行预处理。1.缩放它。 2.检查相关性，所以不存在两张输出相同的相反相关性的图像，也不存在两张输出不同的相同图像。 所有这些都很快被添加到专家顾问中；当指标发出信号时，网络接收图像，一旦积累了足够数量的图像，网络就会被训练，然后，当出现开仓 信号时，我们要求网络确认或不确认。这是在测试器中完成的。如果在账户上，网络必须在测试后进行训练，而且必须有一个保存网络和加载的手段。什么图像被发送到网上是用户的选择--价格、指标或真/假。网络参数（层数、输入、输出）是在网络初始化时设置的。 Dmitry Fedoseev 2011.10.21 18:26 #150 图形化网络构建器也可以在mql5中完成。我认为一个层中可以有不同的神经元，这不是问题，如何训练这样的网络是另一个问题。一层中的一个神经元？这有什么意义？除非它是一个被绕过的附加层。 1...8910111213141516171819202122...100 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
我不相信 :)
再想一想，由于神经元使用共同记忆，给一个细胞赋值，它（值）立即在所有连接的神经元中可用，因此，由此可见，学习的所有区别在于将公式反向写到激活器上，其余的对所有人来说都是一样的，区别在于前进或后退。相当少的差异清单 :o)
激活公式及其导数是在创建神经元时规定的（或者说，在从可用的神经元中选择一个类型时），学习路径的方向也是在创建网络时选择。
是的，你可以这么做，但这太夸张了）））。
嗯，这怎么会不夸张呢？
________________
尼古拉，最简单、最明显、最快捷的表示方法是把向量和矩阵联系起来。
嗯，这怎么会不夸张呢？
________________
尼古拉，最简单、最明显、最快速的表示方法是通过连接向量和矩阵。
但它与拓扑结构密切相关，或者（如果你将一些单元归零，这使你具有多样性）它是一种内存超限。
你怎么能用矩阵来表示一个1000x1000的回声盆地，其中95%是不存在的呢？ 这个问题是反问句，很明显，用矩阵方法创建这样一个盆地，每个神经元都应该能够连接到任何神经元，这就是每个神经元1000000个潜在连接，乘以1000000个神经元，你就有10^6 x 10^6 mql矩阵，这是不可行的。
嗯，怎么不通过一件事呢？
所以，为了不至于为TC的某一变体发明一种带有NS的学习算法。
你不能这样做 :) 最起码，你需要知道采取什么，教什么，以及如何评估。而这些都是你必须用你的双手来组织的事情。
总的来说，我想让它成为形式化的一部分，并向用户隐藏。我不知道如何把它正式化 :)
正是如此，我也不知道。不仅如此，有些套装根本就很难组合。神经元只是一种工具。在娴熟的手中（以列昂尼德为例），它甚至非常强大。
我不知道他是否愿意给出一些建议。
你至少要知道拿什么，教什么和如何评价。而这些都是你必须用你的双手来组织的事情。
正是如此，我也不知道。不仅如此，有些套装根本就很难组合。神经元只是一种工具。在有能力的人手中（以列奥尼德为例）非常强大。
至少要考虑标准选项（例如上一页讨论的选项）。你提出了一个正式的解决方案。为什么你认为没有一个适合我们其他人的？
有可能所有的人都归结为同类型的几个人。
为什么你认为对他人没有过滤？
是的，有:)，但这都是关于输入和输出:)网络是次要的。你可以用任何方式识别字母，MLP、PNN、SOM、回声网格，但原理几乎是一样的。
可能，这一切都归结为几个同类的问题
这里有一个很好的例子--组织一个交易过滤器是小菜一碟。
而要养活一个简单的TS，对一般人来说不是一个任务。而第一种情况几乎是100%的适合。
是的，有:)，但这都是关于输入和输出:)网络是次要的。你可以用任何方式识别字母，MLP、PNN、SOM、echoset，但原理几乎是一样的。
关于在EA中使用的类的组织的几封邮件。
属性。
1.网络被训练后使用的最低数量的图像。
2. 最大的图像数量。当一个新的图像被添加到训练集时，旧的图像被删除，网络被重新训练。
外部方法。
1. 发送要训练的图像。在EA中使用时，可以根据指标信号 ，给网络一个新的形象。
2.询问网络是否准备好了。网络是否为足够数量的图像进行了训练。
3.基本方法。向网络发送图像并接收结果。
当一个新的图像被送到网络进行训练时，要对其进行预处理。
1.缩放它。
2.检查相关性，所以不存在两张输出相同的相反相关性的图像，也不存在两张输出不同的相同图像。
所有这些都很快被添加到专家顾问中；当指标发出信号时，网络接收图像，一旦积累了足够数量的图像，网络就会被训练，然后，当出现开仓 信号时，我们要求网络确认或不确认。这是在测试器中完成的。如果在账户上，网络必须在测试后进行训练，而且必须有一个保存网络和加载的手段。
什么图像被发送到网上是用户的选择--价格、指标或真/假。网络参数（层数、输入、输出）是在网络初始化时设置的。
图形化网络构建器也可以在mql5中完成。
我认为一个层中可以有不同的神经元，这不是问题，如何训练这样的网络是另一个问题。
一层中的一个神经元？这有什么意义？除非它是一个被绕过的附加层。