神经网络 - 页 8 1234567891011121314 新评论 Mykola Demko 2009.08.04 22:20 #71 storm >> : 就个人而言,我有自己的网络(。 你说A,你说B,但你却在神秘地笑着:) 你们网络之间的主要区别是什么? [删除] 2009.08.04 23:20 #72 看,为了预测时间序列,你可以使用,比如说,开盘价和收盘价的差额!你可以用这个方法来预测。然后,走廊就会变小,不会再有那么多的跳动! Evgeniy Logunov 2009.08.04 23:53 #73 xweblanser писал(а)>> 看,为了预测时间序列,你可以使用,比如说,开盘价和收盘价的差额!你可以用这个方法。然后,走廊就会变小,不会再有那么多的弹跳了! 这不是那么简单的... [Deleted] 2009.08.05 03:11 #74 向网络专家提问 假设有一些网络,理想情况下应该给1买入(或比方说>0.7买入),(-1)卖出,其余的我们等待。有一些指标网的输入。一些投入是指标,当越过0(即符号从负数变为正数)时,就会发出购买信号。也就是说,这个指标的买入信号的最大值正好是在从0跨越的那一刻(进一步的信号仍然存在,但潜在的利润减少)。 现在--神经元网,它大致是输入和权重的乘积之和的函数(好吧,内层神经元也被考虑在内)。如果我们考虑公式f=F(w1x1+w2*x2+...),那么如果x1=0,那么无论其他输入和激活函数如何,此刻这个输入被简单地从最终输出中排除。事实证明,该信号将被简单地忽略掉。 这种情况让我想起了一种真实的案例(来自维基百科)--众所周知,一个网络被训练来识别照片上的坦克图像,但后来发现所有的坦克都是在同一背景下拍摄的。结果,该网络 "学会 "了识别这种类型的景观,而不是 "学会 "识别坦克。 因此,实际的问题是。在这种情况下,以这样的方式(虽然是另一个问题--怎么做)转换该输入值是否有意义,即通过这样的指标买入信号的最大值不是在穿越0时,而是当,比如,该指标=1时。 例如,我们可以把这个指标分成两个。 - 第一个(1-x型)显示接近零的程度。 - 第二个是二进制的--只是这个差异的符号(+1,-1)。 这种操纵对网络有什么根本的重要性吗? Stanislav Korotky 2009.08.05 10:09 #75 如果信号是一个从底部向上的零的交叉点(而且肯定也有一个相反方向的交叉点,这给出了一个相反的信号),那么0本身不可能是一个重要的进入值。信号就是信号:把它们编码为+1买入,-1卖出,而不管它在某一指标的图表上如何显示。而且一般来说,不应该使用零--数值必须是对称的,以便尽可能地利用净重的力量。在指标的情况下,信号在过零时给出,你可以取其输出的导数(当然不是以分析形式)。 Леонид 2009.08.05 15:48 #76 GrooovE писал(а)>>例如,可以把这个指标分成两个。 - 第一个(1-x型)显示了对零的接近程度。 - 第二个是二进制的--只是这个差异的符号(+1,-1)。 这种操纵对网络有什么影响吗? 对于神经网络来说,第一个选项比第二个选项信息量更大,.....。 Анатолий 2009.08.05 19:12 #77 Urain >> : 如果你说A,说B,你就会神秘地微笑 :) 你们网络之间的根本区别是什么? 有什么大的区别......它是高度专业化的(识别波的组合、分形),因此是最简单的操作。例如,权重只是被测试者拾取(如Reshetov的感知器),同时我的感知器,在相同的输入参数范围内,能够记住一个特定的模式,而Reshetov的感知器不能。对雷舍托夫的感知器来说,他的设计完美地找到了一个平面,在娴熟的手中可以而且可能确实带来利润。 [Deleted] 2009.08.06 00:38 #78 LeoV >> : 对于神经网络来说,第一个选项比第二个选项信息量更大,.....。 而如果我们比较(当然是在上述条件下)原始信号和导数,选择的是导数? 如果通过指定相对于零的偏移量,将情况扩展到跨越某个阈值,那么 "阈值 "信号是否应以这种方式放大...? Stanislav Korotky 2009.08.06 09:50 #79 信号的编码必须由交易员根据其含义来选择。特别是,如果网格将有几乎按概率(x和1-x)训练的输出,那么就不需要导数。如果输出是二进制的(买入/不买入/卖出/不卖出),那么就需要一个单值的信号。但它是否需要计算导数--一定数量的条形图 上的dI/dt--取决于具体指标。特别是在每个方向上的过零,我认为,像我建议的那样,标记+1和-1更容易。关于阈值--这个问题是一般性的--它不仅在网格的背景下有效,而且在一般情况下有效。如果系统暗示在阈值之外工作,你应该使用它。你可以训练网格本身来拾取阈值。 Andrey Opeyda 2009.08.06 10:12 #80 marketeer >> : 信号的编码必须由交易员根据其含义来选择。 >> 我同意。TS的想法应该是存在的。NS只是一个工具。因此,最重要的是选择进入的信号,并意识到我们想在输出中获得什么。 1234567891011121314 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
就个人而言,我有自己的网络(。
你说A,你说B,但你却在神秘地笑着:)
你们网络之间的主要区别是什么?
看,为了预测时间序列,你可以使用,比如说,开盘价和收盘价的差额!你可以用这个方法。然后,走廊就会变小,不会再有那么多的弹跳了!
这不是那么简单的...
向网络专家提问
假设有一些网络,理想情况下应该给1买入(或比方说>0.7买入),(-1)卖出,其余的我们等待。有一些指标网的输入。一些投入是指标,当越过0(即符号从负数变为正数)时,就会发出购买信号。也就是说,这个指标的买入信号的最大值正好是在从0跨越的那一刻(进一步的信号仍然存在,但潜在的利润减少)。
现在--神经元网,它大致是输入和权重的乘积之和的函数(好吧,内层神经元也被考虑在内)。如果我们考虑公式f=F(w1x1+w2*x2+...),那么如果x1=0,那么无论其他输入和激活函数如何,此刻这个输入被简单地从最终输出中排除。事实证明,该信号将被简单地忽略掉。
这种情况让我想起了一种真实的案例(来自维基百科)--众所周知,一个网络被训练来识别照片上的坦克图像,但后来发现所有的坦克都是在同一背景下拍摄的。结果,该网络 "学会 "了识别这种类型的景观,而不是 "学会 "识别坦克。
因此,实际的问题是。在这种情况下,以这样的方式(虽然是另一个问题--怎么做)转换该输入值是否有意义,即通过这样的指标买入信号的最大值不是在穿越0时,而是当,比如,该指标=1时。
例如,我们可以把这个指标分成两个。
- 第一个(1-x型)显示接近零的程度。
- 第二个是二进制的--只是这个差异的符号(+1,-1)。
这种操纵对网络有什么根本的重要性吗?
例如,可以把这个指标分成两个。
- 第一个(1-x型)显示了对零的接近程度。
- 第二个是二进制的--只是这个差异的符号(+1,-1)。
这种操纵对网络有什么影响吗?
对于神经网络来说,第一个选项比第二个选项信息量更大,.....。
如果你说A,说B,你就会神秘地微笑 :)
你们网络之间的根本区别是什么?
有什么大的区别......它是高度专业化的(识别波的组合、分形),因此是最简单的操作。例如,权重只是被测试者拾取(如Reshetov的感知器),同时我的感知器,在相同的输入参数范围内,能够记住一个特定的模式,而Reshetov的感知器不能。对雷舍托夫的感知器来说,他的设计完美地找到了一个平面,在娴熟的手中可以而且可能确实带来利润。
对于神经网络来说,第一个选项比第二个选项信息量更大,.....。
而如果我们比较(当然是在上述条件下)原始信号和导数,选择的是导数?
如果通过指定相对于零的偏移量,将情况扩展到跨越某个阈值,那么 "阈值 "信号是否应以这种方式放大...?
信号的编码必须由交易员根据其含义来选择。
>> 我同意。TS的想法应该是存在的。NS只是一个工具。因此,最重要的是选择进入的信号,并意识到我们想在输出中获得什么。