市场礼仪或雷区中的良好风度 - 页 30 1...232425262728293031323334353637...104 新评论 paralocus 2009.05.20 16:45 #291 FION >> : 在你的代码中 - if(NormalizeDouble(SquarHid[i,j],4) != 0.0), 比较不工作。 谢谢你，但我的代码中也没有 "除以0 "的错误。 Сергей 2009.05.20 16:53 #292 Neutron >> : 嗨，谢尔盖! 但是Grasn说，第14个版本已经损坏，引擎已经死亡，并且在二维码中存在错误。主要的是，你不能在生活中第一次使用它。马特卡德发行套件的价格为100卢布。 它并不完全是 "搔痒"。我想说的是，在14年，引擎更便宜，这一切都归结于老的争论，哪个引擎更好滑铁卢 Maple vsSciFace Software。在现实中，有的更好，有的更差--你必须看你需要什么。这里有一个例子，有这样一个关于3颗行星运动的经典问题。在某些初始条件下，一颗行星会捕捉到另一颗行星的轨迹。 以下是13 Mathcadet中的解决方案（捕获）。 这里是14号矩阵图的解决方案（去他妈的）。 但是14版有很多优点，很多。我可能不得不改用它，因为13版在Vista中只是崩溃了。但13版的错误也够多了，所以对老版本有什么可说的。 Neutron 2009.05.20 17:12 #293 嗨，谢尔盖! 你提出的这些问题都很好。它们很美。也许这是关于数字方法的准确性。获得更高的精度，解决方案将收敛... paralocus 2009.05.20 19:02 #294 中子，如果我输入这个调整系数 （1-J/N），我是否应该把它用于所有的权重，或者我可以把它用于隐藏层的权重，比如说，不用于输出神经元的权重？现在，我只把它用于隐藏层的权重。砝码已经或多或少地稳定在+/-50。我把历时的数量作为N。 Сергей 2009.05.20 20:35 #295 Neutron писал(а)>> 嗨，谢尔盖! 你提出的这些问题都很好。它们很美。也许这是关于数字方法的准确性。如果你把精度设置得更高，并且解决方案收敛了... 不，这与准确性无关。 Neutron 2009.05.21 03:02 #296 paralocus писал(а)>> 中子，如果我输入这个调节因子 （1-J/N），我是否应该把它用于所有的尺度，或者我可以把它用于隐藏层的尺度，例如，不用于输出神经元的尺度？现在，我只把它用于隐藏层的权重。砝码已经或多或少地稳定在+/-50。我把历时的数量作为N。 以这种方式和那种方式进行尝试。我无一例外地将它应用于我所有的天平。但这是由于我对所有事物的简单性的喜爱，对同一性的渴望。也许它对你有用。N 是时代的数量。 paralocus 2009.05.21 13:29 #297 有一件事让我感到困惑。 这个系统中的纠正一直在发生，无论你是否需要它。对于二进制输入网格来说，这就更加停滞不前了。 也就是说，如果符号猜对了，但电网输出的振幅与测试信号之间存在差异，无论如何都要进行校正。但这真的有必要吗？ 毕竟，网格，在这种情况下，并没有错... rsi 2009.05.21 13:53 #298 Neutron >> : ...但是，这与我对所有事物的简化的喜爱有关，即同一性的干系....。 不是一个分支，而是一个大师级的课程!谢谢你提供了很多有用的东西!我不做ORO，但训练建议在PNN上也很有效。再次感谢：感谢Neutron! Neutron 2009.05.21 18:34 #299 谢谢你，rsi，谢谢你的好意。总是乐于分享知识! paralocus писал(а)>> 有一件事让我感到困惑。 这个系统中的纠正一直在发生，无论你是否需要它。对于一个有二进制输入的电网来说，更多的是停滞不前。 也就是说，如果符号猜对了，但电网输出的振幅与测试信号之间存在差异，无论如何都要进行校正。但这真的有必要吗？ 毕竟，网格，在这种情况下，并没有错... 我也有同样的行为。 它是正确的，因为网格不断锐化预测的准确性，不仅是标志。 paralocus 2009.05.22 10:36 #300 嗨，Neurton!总之，还没有找到双层的运气。 我用ORO写了一个单层感知器，昨天运行了一整天。它的行为很奇怪。它学习和不学习，并且灾难性地依赖于历时的数量。 所以我的结果如下。8个历时--网格不学习，12个历时--网格学习，13个历时--网格不学习。 简而言之，结果夸张，我还不能。 无论如何，我将描述一个我已经实现的算法。看看我是否错过了什么。 1.该感知器有D个 二进制输入，其中一个是常数+1。 2.所使用的BP是在若干个Open 中连续的cotier递增。 3.在开始之前，所有的权重都以+/-1范围内的小随机值初始化。 4.训练向量的长度计算为P= 4*D*D/D =4*D。 5.训练矢量被送入网格输入，网格误差被计算为Qs = Test - OUT，其中Test是BP在n+1， 即下一次读出时的值，OUT 是n次 读出时的网格输出。 6.为了得到输入端Q 的误差值，网格误差Qs 乘以挤压函数的导数（1-OUT+OUT）：Q=Qs*（1-OUT*OUT）。 7.进入神经元的每个权重的修正向量COR[i] += Q*D[i] 被计算并在历时中累积。 8.SQR[i]+= COR[i]*COR[i] 是单独计算的，并在整个历时中为每个权重累积，包含在神经元中。 9.在一个纪元结束时，对每个权重计算个人修正并加到该权重上W[i] += COR[i]/SQR[i] 尝试使用（1-j/N） 的系数，以及随机化绝对值 已经超过20的权重。随机化的帮助更好。 P.S 纠正了文中的一个错误 Market etiquette or good 深度神经网络(第八部分)。 提高袋封融合的分类品质 采用栈式 RBM 的深度神经网络。自训练, 自控制 1...232425262728293031323334353637...104 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
在你的代码中 - if(NormalizeDouble(SquarHid[i,j],4) != 0.0), 比较不工作。
谢谢你，但我的代码中也没有 "除以0 "的错误。
嗨，谢尔盖!
但是Grasn说，第14个版本已经损坏，引擎已经死亡，并且在二维码中存在错误。主要的是，你不能在生活中第一次使用它。马特卡德发行套件的价格为100卢布。
它并不完全是 "搔痒"。我想说的是，在14年，引擎更便宜，这一切都归结于老的争论，哪个引擎更好滑铁卢 Maple vsSciFace Software。在现实中，有的更好，有的更差--你必须看你需要什么。这里有一个例子，有这样一个关于3颗行星运动的经典问题。在某些初始条件下，一颗行星会捕捉到另一颗行星的轨迹。
以下是13 Mathcadet中的解决方案（捕获）。
这里是14号矩阵图的解决方案（去他妈的）。
但是14版有很多优点，很多。我可能不得不改用它，因为13版在Vista中只是崩溃了。但13版的错误也够多了，所以对老版本有什么可说的。
嗨，谢尔盖!
你提出的这些问题都很好。它们很美。也许这是关于数字方法的准确性。获得更高的精度，解决方案将收敛...
嗨，谢尔盖!
你提出的这些问题都很好。它们很美。也许这是关于数字方法的准确性。如果你把精度设置得更高，并且解决方案收敛了...
不，这与准确性无关。
中子，如果我输入这个调节因子 （1-J/N），我是否应该把它用于所有的尺度，或者我可以把它用于隐藏层的尺度，例如，不用于输出神经元的尺度？现在，我只把它用于隐藏层的权重。砝码已经或多或少地稳定在+/-50。我把历时的数量作为N。
以这种方式和那种方式进行尝试。我无一例外地将它应用于我所有的天平。但这是由于我对所有事物的简单性的喜爱，对同一性的渴望。也许它对你有用。N 是时代的数量。
有一件事让我感到困惑。
这个系统中的纠正一直在发生，无论你是否需要它。对于二进制输入网格来说，这就更加停滞不前了。
也就是说，如果符号猜对了，但电网输出的振幅与测试信号之间存在差异，无论如何都要进行校正。但这真的有必要吗？
毕竟，网格，在这种情况下，并没有错...
...但是，这与我对所有事物的简化的喜爱有关，即同一性的干系....。
不是一个分支，而是一个大师级的课程!谢谢你提供了很多有用的东西!我不做ORO，但训练建议在PNN上也很有效。再次感谢：感谢Neutron!
谢谢你，rsi，谢谢你的好意。总是乐于分享知识!
有一件事让我感到困惑。
这个系统中的纠正一直在发生，无论你是否需要它。对于一个有二进制输入的电网来说，更多的是停滞不前。
也就是说，如果符号猜对了，但电网输出的振幅与测试信号之间存在差异，无论如何都要进行校正。但这真的有必要吗？
毕竟，网格，在这种情况下，并没有错...
我也有同样的行为。
它是正确的，因为网格不断锐化预测的准确性，不仅是标志。
嗨，Neurton!总之，还没有找到双层的运气。
我用ORO写了一个单层感知器，昨天运行了一整天。它的行为很奇怪。它学习和不学习，并且灾难性地依赖于历时的数量。
所以我的结果如下。8个历时--网格不学习，12个历时--网格学习，13个历时--网格不学习。
简而言之，结果夸张，我还不能。
无论如何，我将描述一个我已经实现的算法。看看我是否错过了什么。
1.该感知器有D个 二进制输入，其中一个是常数+1。
2.所使用的BP是在若干个Open 中连续的cotier递增。
3.在开始之前，所有的权重都以+/-1范围内的小随机值初始化。
4.训练向量的长度计算为P= 4*D*D/D =4*D。
5.训练矢量被送入网格输入，网格误差被计算为Qs = Test - OUT，其中Test是BP在n+1， 即下一次读出时的值，OUT 是n次 读出时的网格输出。
6.为了得到输入端Q 的误差值，网格误差Qs 乘以挤压函数的导数（1-OUT+OUT）：Q=Qs*（1-OUT*OUT）。
7.进入神经元的每个权重的修正向量COR[i] += Q*D[i] 被计算并在历时中累积。
8.SQR[i]+= COR[i]*COR[i] 是单独计算的，并在整个历时中为每个权重累积，包含在神经元中。
9.在一个纪元结束时，对每个权重计算个人修正并加到该权重上W[i] += COR[i]/SQR[i]
尝试使用（1-j/N） 的系数，以及随机化绝对值 已经超过20的权重。随机化的帮助更好。
P.S 纠正了文中的一个错误