文章：用神经网络进行价格预测 - 页 12

新评论
 
我们可以讨论的另一件事是NS中突触的最佳数量。从一般的考虑来看，显然不应该有太多的，否则NS会过度学习。但它们也不应该是少数，否则网络将被训练不足。在文献中，我遇到了关于这个问题的不同意见，所以我想知道尊敬的论坛成员的意见。
 
Neutron:
我们可以讨论的另一件事是NS中突触的最佳数量。从一般的考虑来看，显然不应该有太多的，否则NS会过度学习。但也不应该太少，否则网络将被训练不足。在文献中我遇到了关于这个问题的不同意见，所以我想知道尊敬的论坛用户的意见。

突触的数量对网络的可教性有很大影响。我曾多次尝试开发一种考虑到网络拓扑结构的学习方法，但都失败了。

 

好吧，但我想知道一个理论。

以下是大声说出的推理。对于输入数为N的单层NS，我们有N个突触，其权重在非线性方程的一般情况下唯一地决定了系统N。很明显，要解决这样一个系统，我们需要一个由N个向量组成的训练样本，每个向量由N个元素组成。在这种情况下，它没有任何其他的工作方式。对于两层NS，输入的数量必须小于训练向量总数N的n，其中n是第二层的突触数量，所以训练向量的长度为N-n。

对于一个3层的NS，推理的顺序是一样的。

因此。

1.我们从我们需要的沉浸深度出发，确定NS输入的维度。

2.然后考虑到NS的结构（层数），我们计算突触的数量，并得到训练样本的最佳大小。

 

最重要的事情之一（在我看来）是数据准备，要做到这一点

1.尽量减少投入的关联性。换句话说，输入应尽可能地在统计上独立。

2.在输入向量的规范化过程中，有必要实现熵的增加--从而在保持相同数量的输入数据的情况下，增加提交给NS的信息数量。

义务检查数据质量，例如通过Kolmogorov-Smirnov方法或/和Hurst指数。


网络结构的选择可以减少误差。

 

漂白和规范化输入是不言自明的。这是最基本的。但如何确定最佳的输入数量（浸入深度）？是否可以只通过实验来做？在这个问题上有一些考虑。我可以证明，在输入的数量上存在一个局部最优。他们不能是少数，但也不能是很多。通常情况下，最佳的是3-5个投入。在这方面，理论上有什么要说的？

 
Neutron:

漂白和规范化输入是不言自明的。这是最基本的。但如何确定最佳的输入数量（浸入深度）？是否可以只通过实验来做？在这个问题上有一些考虑。我可以证明，在输入的数量上存在一个局部最优。他们不能少，但也不能太多。通常情况下，最佳的是3-5个投入。在这方面，理论上有什么要说的？

理论上说--只能靠直觉，也就是实验。最主要的是信息性。

 

你所说的是很可悲的。

不幸的是，问题的规模（全球）不允许在合理的时间内对最佳NS参数的问题做出满意的回答。我们要不要把智力包括在内，生出标准来？


总的来说，网络的工作是令人着迷的!只是为了做一个实验，我扔了一个小的（单层）网，有四个输入，在输出端没有非线性。

我把刻度放到它的输入上，在每个刻度 上重新训练它，并提前一个刻度进行预测。该死的，它在做预测!在图片中，红色是勾股，蓝色是预测。

当然，我明白，为预测而选择的系列就像两个手指在人行道上一样简单，但网络是初级的。

 

我在NeuroSolutions工作，有一个关于网络尺寸和潜水深度的选项

最好是ICQ（见资料）。

 
我反复发现的证据是，如果我不彻底了解某件事情的运作方式和原因，那么取得积极的结果就像大海捞针一样--你可以找到它，但不知道它是否会发生的事实。这就是为什么我更喜欢自己动手，从头开始，结果通常会更好。
 

Dobrovo vam vremia sutok i izvinite za translit.


在这个问题上，我们没有任何理由，也没有任何理由让我们的程序变得更加复杂。在这个世界上，有很多人都不知道自己在做什么。

在这个主题论坛上，我想说的是，如果你想在这个论坛上获得更多的信息，那么你就必须在这个论坛上获得更多的信息。


旦尼耶

1.有kucia信号与odinakovim cislom parametrov na konkretnij slucaj。- 尊敬的女士们、先生们、女士们： 大家好！我是来自中国北京的李先生，我是来自中国上海的李先生。

2.有一个rezultat - 是serii xoroso/ploxo


它是可能的，ispolzuja neiroset poluchit otvet neiroseti v buduscem po etoj modeli - novije dannije - otvet - xoroso or ploxo?你是如何看待NNN的计划的？

我们的研究结果显示，这些信号是通过对参数的分析来实现的。

1...567891011121314151617
新评论