如何正确形成NS的输入值。 - 页 11 1...456789101112131415161718...31 新评论 TheXpert 2008.07.09 10:51 #101 LeoV писал (а)>> 输入值也不是一个简单的问题。向主电源输入提供什么取决于许多因素 - 1.使用什么类型的神经网络。 2.我们想从神经网络中得到什么--价格或运动方向或反转点或下一根蜡烛或其他东西。 所以我们应该首先决定这些问题，然后再决定投入。 我建议到目前为止只谈两个网络 1.科诺恩网 2. MLP。 其余的事情我们留待以后再说。 --- 2008.07.09 10:56 #102 1.神经网络 是4-5层传统的（直接传播，没有环、星或其他东西）。 2.从神经网络中，我们想得到泡沫......哦，不。首先，我们希望收到运动的方向，如果可能的话，对其力量的估计（类似于点数）。 对我来说，到目前为止（根据我的理解），神经元网仍然是一个近似的工具。这意味着我实际上是在试图表达输入变量和输出变量之间的函数关系。因此，我对投入的想法。它们不应该太复杂，我们也不应该在输出中想要太多的东西。输出（方向、高度）或多或少是清楚的，但输入 是什么。我正在绞尽脑汁，第三天了。非常令人沮丧的是，我不能发明这样一种处理输入信号的方法，使其总是位于一个固定的范围内。因为如果我们归一化为总样本的最大值，那么总是有可能在未来出现一个更高的值，而网络不会知道，在这种情况下会发生什么我不知道。当然，也有一些输入处理的变种，如正弦或西格玛，但对我来说，这似乎是错误的，因为我想有线性 压缩。 对于输出，我可能会使用双曲线的依赖性。(Up-Dn)/(Up+Dn)。土耳其是附属国。 附加的文件： _target.mq4 2 kb --- 2008.07.09 10:57 #103 TheXpert писал (а)>> 我建议暂时只谈两个网络 1.科诺恩网络 2. AN MLP 什么是MLP - 多层渗透器？ 科霍宁是卡拉奇诺。但可能是第二次了。虽然...了解什么和什么地方就可以了。 顺便说一句，科霍恩是无师自通的教学，不是吗？ TheXpert 2008.07.09 11:03 #104 sergeev писал (а)>> 什么是MLP - 多层渗透器？ 是 顺便说一下，科霍恩是在没有老师的情况下学习，对吗？ 在原始版本中是的。但有一种修改，叫做监督下的Kohonen，在这种情况下，我们自己为每个模式分配一个赢家。 --- 2008.07.09 11:09 #105 那么，投入呢。谁拥有哪些网络和投入？ TheXpert 2008.07.09 11:11 #106 sergeev писал (а)>> 2.从神经网络中，我们想得到的是什么？哦，不。首先，我们想得到运动的方向，如果可能的话，还想得到对其强度的估计（如点数）。 不一定要更好，只要有方向就够了。如果成功的话，可以把电源拧在上面。 到目前为止，对我来说（按我的说法），神经网络仍然是一个近似器。 是的，事情就是这样的。 这意味着我实际上是在试图表达输入变量和输出变量之间的函数关系。因此，我对投入的想法。它们不应该太复杂，我们也不应该在输出中想要太多的东西。输出（方向、高度）或多或少是清楚的，但输入 是什么。我正在绞尽脑汁，第三天了。但令人沮丧的是，我想不出任何方法来处理输入信号，使其总是位于一个固定的范围内。 MACD 当然，也有一些输入处理的变种，如正弦或西格玛，但这一切对我来说都是错误的，因为我想有线性 压缩。 在这里。这里的任务不是压缩而是分割，所以不是线性压缩 而是线性分割，即使是XOR也无法分割。 因此必须存在非线性。有一个定理，任何n层线性渗透器都可以转换为2层模拟--输入--输出。 因此，线性透视器被搞砸了。 TheXpert 2008.07.09 11:12 #107 sergeev писал (а)>> 那么，投入呢。谁有什么网和投入？ 试图喂养有限的振荡器，但结果却如天方夜谭。要得到任何结论，都有大量的工作要做。 --- 2008.07.09 11:17 #108 TheXpert писал (а)>> MACD 它可以有一个最大的更新。 在这里。问题不是压缩而是分离，所以结果不是线性压缩 而是线性分离，即使是XOR也无法分离。 因此必须存在非线性。有一个定理，任何n层线性渗透器都可以转换为2层模拟--输入--输出。 所指的不是输出信号的线性度。它是指在将 输入数据送入 网络之前 对其进行线性压缩。基于所有的轨道数据，压缩到[0, 1]的范围。如果将通过一些非线性函数对范围进行转换，那么我们将得到一个大数值的饱和度，这之间将没有任何区别。这意味着会有重复性， 因此会有不一致性 。压缩必须以线性方式进行。但是，如何使其在未来保持最大限度。(我的大脑嘶嘶作响)？ TheXpert 2008.07.09 11:26 #109 sergeev писал (а)>> 它可以有一个最大的更新。 是的，当然，但对我来说，这听起来是一个不错的选择。 所指的不是输出信号的线性度。它是指在将 输入数据送入 网络之前 对其进行线性压缩。基于所有的轨道数据，压缩到区间[0, 1]。 >> 啊，我明白了。 TheXpert 2008.07.09 11:29 #110 sergeev писал (а)>> 如果有一个通过一些非线性函数转换的范围，我们将得到一个大值的饱和，在这之间将没有区别。这意味着会有重复性， 因此会有不一致性 。压缩必须以线性方式进行。但是，如何使其在未来保持最大限度。(我的大脑嘶嘶作响)？ 这就是为什么我们要使用去重和之类的东西%) 1...456789101112131415161718...31 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
输入值也不是一个简单的问题。向主电源输入提供什么取决于许多因素 -
1.使用什么类型的神经网络。
2.我们想从神经网络中得到什么--价格或运动方向或反转点或下一根蜡烛或其他东西。
所以我们应该首先决定这些问题，然后再决定投入。
我建议到目前为止只谈两个网络
1.科诺恩网
2. MLP。
其余的事情我们留待以后再说。
1.神经网络 是4-5层传统的（直接传播，没有环、星或其他东西）。
2.从神经网络中，我们想得到泡沫......哦，不。首先，我们希望收到运动的方向，如果可能的话，对其力量的估计（类似于点数）。
对我来说，到目前为止（根据我的理解），神经元网仍然是一个近似的工具。这意味着我实际上是在试图表达输入变量和输出变量之间的函数关系。因此，我对投入的想法。它们不应该太复杂，我们也不应该在输出中想要太多的东西。输出（方向、高度）或多或少是清楚的，但输入 是什么。我正在绞尽脑汁，第三天了。非常令人沮丧的是，我不能发明这样一种处理输入信号的方法，使其总是位于一个固定的范围内。因为如果我们归一化为总样本的最大值，那么总是有可能在未来出现一个更高的值，而网络不会知道，在这种情况下会发生什么我不知道。当然，也有一些输入处理的变种，如正弦或西格玛，但对我来说，这似乎是错误的，因为我想有线性 压缩。
对于输出，我可能会使用双曲线的依赖性。(Up-Dn)/(Up+Dn)。土耳其是附属国。
我建议暂时只谈两个网络
1.科诺恩网络
2. AN MLP
什么是MLP - 多层渗透器？
科霍宁是卡拉奇诺。但可能是第二次了。虽然...了解什么和什么地方就可以了。
顺便说一句，科霍恩是无师自通的教学，不是吗？
什么是MLP - 多层渗透器？
是
顺便说一下，科霍恩是在没有老师的情况下学习，对吗？
在原始版本中是的。但有一种修改，叫做监督下的Kohonen，在这种情况下，我们自己为每个模式分配一个赢家。
2.从神经网络中，我们想得到的是什么？哦，不。首先，我们想得到运动的方向，如果可能的话，还想得到对其强度的估计（如点数）。
不一定要更好，只要有方向就够了。如果成功的话，可以把电源拧在上面。
到目前为止，对我来说（按我的说法），神经网络仍然是一个近似器。
是的，事情就是这样的。
这意味着我实际上是在试图表达输入变量和输出变量之间的函数关系。因此，我对投入的想法。它们不应该太复杂，我们也不应该在输出中想要太多的东西。输出（方向、高度）或多或少是清楚的，但输入 是什么。我正在绞尽脑汁，第三天了。但令人沮丧的是，我想不出任何方法来处理输入信号，使其总是位于一个固定的范围内。
MACD
当然，也有一些输入处理的变种，如正弦或西格玛，但这一切对我来说都是错误的，因为我想有线性 压缩。
在这里。这里的任务不是压缩而是分割，所以不是线性压缩 而是线性分割，即使是XOR也无法分割。
因此必须存在非线性。有一个定理，任何n层线性渗透器都可以转换为2层模拟--输入--输出。
因此，线性透视器被搞砸了。
那么，投入呢。谁有什么网和投入？
试图喂养有限的振荡器，但结果却如天方夜谭。要得到任何结论，都有大量的工作要做。
MACD
它可以有一个最大的更新。
在这里。问题不是压缩而是分离，所以结果不是线性压缩 而是线性分离，即使是XOR也无法分离。
因此必须存在非线性。有一个定理，任何n层线性渗透器都可以转换为2层模拟--输入--输出。
所指的不是输出信号的线性度。它是指在将 输入数据送入 网络之前 对其进行线性压缩。基于所有的轨道数据，压缩到[0, 1]的范围。如果将通过一些非线性函数对范围进行转换，那么我们将得到一个大数值的饱和度，这之间将没有任何区别。这意味着会有重复性， 因此会有不一致性 。压缩必须以线性方式进行。但是，如何使其在未来保持最大限度。(我的大脑嘶嘶作响)？
它可以有一个最大的更新。
是的，当然，但对我来说，这听起来是一个不错的选择。
所指的不是输出信号的线性度。它是指在将 输入数据送入 网络之前 对其进行线性压缩。基于所有的轨道数据，压缩到区间[0, 1]。
>> 啊，我明白了。
如果有一个通过一些非线性函数转换的范围，我们将得到一个大值的饱和，在这之间将没有区别。这意味着会有重复性， 因此会有不一致性 。压缩必须以线性方式进行。但是，如何使其在未来保持最大限度。(我的大脑嘶嘶作响)？
这就是为什么我们要使用去重和之类的东西%)