神经网络。来自专家的问题。

Mihail Marchukajtes 2011.01.28 22:02 #151

joo:

但显然，拉索正在训练他的生物网络，以便以这种方式与人工网络合作。

有趣 :))))伙计，Nsh在这方面太让人上瘾了，有时极难让自己离开.....。

Vitaliy 2011.02.14 10:12 #152

lasso:

你好。

这些班级非常混杂，甚至比图中更混杂。

但仍可区分。

我甚至能够通过非狡猾的线性方法进行除法，但我无法让NS产生更好的（或至少在质量上相当的）结果。

我希望能得到充分的答案，也希望这些答案对其他论坛成员有用

已经有一段时间没有与你沟通了......让我们继续吧。

..............

第14页上提出的问题确实是由神经网络基本解决的。

屏幕上的截图是可能的配置之一。例如，你可以安全地将隐藏层中的神经元数量减少到7个。

而令人愉快和惊讶的是，NS找到了自己的解决方案，与明显的线性方法不同（与这个简单的问题有关）。

和这些解决方案起初令人费解，但经过大量分析，发现NS解决方案甚至比线性解决方案的效率略高。O-o-o-o!

继续前进....;-)

[删除] 2011.02.14 10:54 #153

lasso:

第14页上提出的问题确实是用神经网络解决的基本问题。

该截图是其中一个可能的配置。例如，隐藏层的神经元数量可以不痛不痒地减少到7个。

而令人惊讶和愉快的是，NS找到了自己的解决方案，与明显的线性方法不同（对于这个简单的问题）。

和这些解决方案起初令人费解，但经过综合分析，发现NS解决方案甚至比线性解决方案的效率略高。O-o-o-o!

继续前进....;-)

它是一个随机的交叉问题吗？我不明白你想通过解决这个问题达到什么目的，显然情况描述的贫乏不会让NS以任何 "有意义 "的方式解决这个问题。这样的网络将是极其不稳定的，在OV之外绝对无用。但对于培训任务来说，它当然可以做到......

我们该何去何从？也许我们应该更接近于时间序列的预测？

Vitaliy 2011.02.14 12:21 #154

Figar0:

它是一个随机的交叉问题吗？ 我不明白你想通过解决这个问题达到什么 目的，显然对情况的稀疏描述不会让NS以任何 "有意义 "的方式解决这个问题。这样的网络将是极其不稳定的，在OV之外绝对无用。但对于训练任务来说，它当然可以做到......

我们该何去何从？也许离我们的羔羊更近一点--时间序列预测？

我想学习如何在我的TS的分析块中应用NS仪器，并以直观的方式和实例来做，使他人受益。

..................................

因此，《统计6》中的分类任务--解决了。

但它是一个第三方程序，与交易没有直接关系。

是的，它允许建立大量的图表、报告，将发现的网络保存到文件中，用C和VB生成代码，等等。很好!

但在这里，我们面临一个新的问题!

如何正确转移所有这些财富，并使其在MQL中发挥作用？

[删除] 2011.02.14 12:42 #155

lasso:

是的，它允许建立大量的图表和报告，将发现的网络保存到文件中，用C语言和VB语言生成代码，等等。很好!

但在这里，我们面临一个新的问题!

如何正确地转移所有这些财富并使其在MQL中发挥作用？

好吧，在专家顾问上附加一个dll是完全没有问题的。终端本身在 Experts/Samples 文件夹中就有一个很好的例子，另外在论坛上用 "connect dll "这个短语搜索一下，就能马上帮你完成。是的，我想有一篇关于这个主题的文章... 在与神经网络合作时，这不是一个绊脚石。

更有趣的问题。

一个神经网络应该做什么？输入的内容是什么？准备它们的最佳方法是什么？选择NS的类型和架构，等等。所有这些在一些实际任务上更容易和更有趣，比如交易11月，如果可能的话，2010年12月的利润作为新的NS数据。虽然，也许把它放在一个单独的分支里会更好，比如 "初学者和NS实践之后"。

Vitaliy 2011.02.14 13:14 #156

Figar0:

好吧，在专家顾问上附加一个dll是完全没有问题的。终端本身在 Experts/Samples 文件夹中就有一个很好的例子，另外在论坛上用 "connect dll "这个短语进行搜索，可以帮助你轻松完成。是的，我想有一篇关于这个主题的文章...在与神经网络合作时，这不是一个绊脚石。

更有趣的问题。

一个神经网络应该做什么？输入的内容是什么？准备它们的最佳方法是什么？选择NS的类型和架构，等等。所有这些在一些实际任务上更容易和更有趣，比如交易11月，如果可能的话，2010年12月的利润作为新的NS数据。虽然，可能把它放在一个单独的分支，如 "初学者和不仅是NS的实践"，会更正确。

我同意，这些问题很有意思。要回答这些问题，你需要有在MT环境中工作的功能。

......................

问题不是如何附加dll，而是在哪里获得这个dll？

统计6是否会生成一个dll？

还是你建议一个神经网络研究新手自己写NS，并把它做成DLL？我不明白你....

.......................

有一个FANN库的变体。

还有其他的变体吗？

[删除] 2011.02.14 13:29 #157

lasso:

问题不是如何附加dll，而是我从哪里得到dll？

统计6是否产生一个dll？

还是你建议一个神经网络研究新手自己写NS，并把它做成一个DLL？我不明白你....

.......................

有一个FANN库的变体。

Statistica以及其他许多NS程序（neuroshell、neurosolutions），在我的印象中都是生成C代码。对于一个新手来说，这可能是最简单的出路。你可以直接在MQL中编写网络，但这引起了一个培训的问题...我觉得FANN太麻烦了，而且不太容易使用。

Andrey Dik 2011.02.14 13:35 #158

Statistica生成训练过的神经网络的控制台应用程序的C源（如果你编译这种源，你会得到exe可执行文件）。这些代码可以移植到MQL4/5，就像两个手指在人行道上一样，只要稍加修改就可以了。这就是我开始研究神经网络的原因。

Vladyslav Goshkov 2011.02.14 13:53 #159

lasso:

有一个FANN库的版本。

还有其他选择吗？

SVM ....http://www.csie.ntu.edu.tw/~cjlin/libsvm/

Vitaliy 2011.02.14 14:06 #160

Figar0:

Statistica和其他许多NS程序（neuroshell、neurosolutions）一样，在我印象中都是生成C代码。对于初学者来说，这可能是最简单的出路。你可以直接在MQL中编写网络，但这引起了一个培训的问题...我觉得FANN太麻烦了，而且不太容易使用。

joo:
Statistica为训练过的神经网络的控制台应用生成C源代码（如果你编译这样的源代码，你会得到一个可执行的文件）。这些代码可以移植到MQL4/5，就像两个手指在人行道上一样，只需稍作修改。这就是我开始研究神经网络的原因。

这是我的统计6产生的结果 ))

欢乐是什么？

唯一的乐趣是在调试器中看到从输入到输出的信号趋势。

/* ------------------------------------------------------------------------- */


#include <stdio.h>
#include <math.h>
#include <string.h>
#include <stdlib.h>

#ifndef FALSE
#define FALSE 0
#define TRUE 1
#endif

#define MENUCODE -999


static double NNCode38Thresholds[] =
{

/* layer 1 */
-0.78576109762088242, -0.23216582173469763, -1.6708808507320108, -1.525614113040888,
1.4153558659332133, -0.77276960668316319, 2.3600992937381298, 2.473963708568014,
-0.43422405325901231, 0.68546943611132893, 0.19836417975077064, 0.26461366779934564,
-0.19131682804149783, 0.24687125804149584, -0.95588612620053504, 0.25329560565058901,
-1.0054817062488075, 1.3224622867600988, 0.88115523574528376, 0.32309684489223067,
0.52538428519764313,

/* layer 2 */
-1.8292886608617505

};

static double NNCode38Weights[] =
{

/* layer 1 */
1.8660729426318707,
1.3727568288578245,
3.1175074758006374,
3.356836518157698,
3.2574311486418068,
3.2774957848884769,
1.4284147042568165,
3.534875314491805,
2.4874577673065557,
2.1516346524000403,
1.9692127720516106,
4.3440737376517129,
2.7850179803408932,
-12.654434243399631,
2.4850018642785399,
2.1683631515554227,
1.77850226182071,
2.1342779960924272,
2.8753050022428206,
3.9464397902669828,
2.5227540467556553,

/* layer 2 */
-0.041641949353302246, -0.099151657230575702, 0.19915689162090328, -0.48586373846026099,
-0.091916813099494746, -0.16863091580772138, -0.11592356639654273, -0.55874391921850786,
0.12335845466035589, -0.022300206392803789, -0.083342117374385544, 1.550222748978116,
0.10305706982775611, 3.9280003726494575, 0.12771097131123971, -0.12144621860368633,
-0.40427171889553365, -0.072652508364580259, 0.20641498115269669, 0.1519896468808962,
0.69632055946019444

};

static double NNCode38Acts[46];

/* ---------------------------------------------------------- */
/*
  NNCode38Run - run neural network NNCode38

  Input and Output variables.
  Variable names are listed below in order, together with each
  variable's offset in the data set at the time code was
  generated (if the variable is then available).
  For nominal variables, the numeric code - class name
  conversion is shown indented below the variable name.
  To provide nominal inputs, use the corresponding numeric code.
  Input variables (Offset):
  stoch

  Выход:
  res
    1=1
    2=-1

*/
/* ---------------------------------------------------------- */

void NNCode38Run( double inputs[], double outputs[], int outputType )
{
  int i, j, k, u;
  double *w = NNCode38Weights, *t = NNCode38Thresholds;

  /* Process inputs - apply pre-processing to each input in turn,
   * storing results in the neuron activations array.
   */

  /* Input 0: standard numeric pre-processing: linear shift and scale. */
  if ( inputs[0] == -9999 )
    NNCode38Acts[0] = 0.48882189239332069;
  else
    NNCode38Acts[0] = inputs[0] * 1.0204081632653061 + 0;

  /*
   * Process layer 1.
   */

  /* For each unit in turn */
  for ( u=0; u < 21; ++u )
  {
    /*
     * First, calculate post-synaptic potentials, storing
     * these in the NNCode38Acts array.
     */

    /* Initialise hidden unit activation to zero */
    NNCode38Acts[1+u] = 0.0;

    /* Accumulate weighted sum from inputs */
    for ( i=0; i < 1; ++i )
      NNCode38Acts[1+u] += *w++ * NNCode38Acts[0+i];

    /* Subtract threshold */
    NNCode38Acts[1+u] -= *t++;

    /* Now apply the logistic activation function, 1 / ( 1 + e^-x ).
     * Deal with overflow and underflow
     */
    if ( NNCode38Acts[1+u] > 100.0 )
       NNCode38Acts[1+u] = 1.0;
    else if ( NNCode38Acts[1+u] < -100.0 )
      NNCode38Acts[1+u] = 0.0;
    else
      NNCode38Acts[1+u] = 1.0 / ( 1.0 + exp( - NNCode38Acts[1+u] ) );
  }

  /*
   * Process layer 2.
   */

  /* For each unit in turn */
  for ( u=0; u < 1; ++u )
  {
    /*
     * First, calculate post-synaptic potentials, storing
     * these in the NNCode38Acts array.
     */

    /* Initialise hidden unit activation to zero */
    NNCode38Acts[22+u] = 0.0;

    /* Accumulate weighted sum from inputs */
    for ( i=0; i < 21; ++i )
      NNCode38Acts[22+u] += *w++ * NNCode38Acts[1+i];

    /* Subtract threshold */
    NNCode38Acts[22+u] -= *t++;

    /* Now calculate negative exponential of PSP
     */
    if ( NNCode38Acts[22+u] > 100.0 )
       NNCode38Acts[22+u] = 0.0;
    else
      NNCode38Acts[22+u] = exp( -NNCode38Acts[22+u] );
  }

  /* Type of output required - selected by outputType parameter */
  switch ( outputType )
  {
    /* The usual type is to generate the output variables */
    case 0:


      /* Post-process output 0, two-state nominal output */
      if ( NNCode38Acts[22] >= 0.05449452669633785 )
        outputs[0] = 2.0;
      else
        outputs[0] = 1.0;
      break;

    /* type 1 is activation of output neurons */
    case 1:
      for ( i=0; i < 1; ++i )
        outputs[i] = NNCode38Acts[22+i];
      break;

    /* type 2 is codebook vector of winning node (lowest actn) 1st hidden layer */
    case 2:
      {
        int winner=0;
        for ( i=1; i < 21; ++i )
          if ( NNCode38Acts[1+i] < NNCode38Acts[1+winner] )
            winner=i;

        for ( i=0; i < 1; ++i )
          outputs[i] = NNCode38Weights[1*winner+i];
      }
      break;

    /* type 3 indicates winning node (lowest actn) in 1st hidden layer */
    case 3:
      {
        int winner=0;
        for ( i=1; i < 21; ++i )
          if ( NNCode38Acts[1+i] < NNCode38Acts[1+winner] )
            winner=i;

        outputs[0] = winner;
      }
      break;
  }
}

还是我在错误的地方产生了？

神经网络。来自专家的问题。 - 页 16