你说得很对,网络的类型并不那么重要,主要的是输入,当然还有输出。只要为网络找到合适的输入,它就能创造奇迹,但如何找到它们?????简单的规范化是做不到的.....
你的问题是一个线索还是一个社会问题?:)
1.如果采取第一种立场,主要是要找到合适的一套指标。
2.如果采取第二种立场,有两个主要组成部分:1.数据的规范化。2.使用过滤器提供历史数据(删除不必要的信息)。
关于第二个问题,我想补充一下。一般来说,我想把过滤后的ticks送入输入(常规Renko),因为我对时间间隔图持怀疑态度。但要把价格划分为过滤区(如5)。离真实价格越近,renko周期越低,越远,越高。也就是说,数据离现在越远,对现在的状况影响就越小,因此我们要增加过滤。
但我放弃了刻度线,因为很难建立一个当前价格数据接收系统,并将其与刻度线历史联系起来,我决定玩时间间隔,尽管基本理念没有改变。
让我来插一句,免得话题多了。谁对输入信号进行标准化?那么在输出端操作什么信号更方便呢?我已经受够了原始的psaptrons,建立了一个网络,对所有层的信号进行了归一化处理,但在输出方面有一个很大的困境,小事上有很多不确定因素。
你问的问题很奇怪)在我们的应用领域,通常有两个主要任务由NS解决:分类和回归。在此基础上,构建网络,选择其类型和架构,并对其输出进行相应的解释。输出是否将是输入设置为某个类别的归属,或明天的价格值(有条件的)。你的网络是做什么的?你在教它什么?
输入的归一化很简单,尽管可能有细微的差别,取决于输入及其特征(例如,NS的输入可能是复合的)。 对于一个 "同质 "的输入集,最简单和通常足够的变体是在给定范围[a;b]的线性转换。根据输入集的特点,可以进行额外的转换,以提高可辨识度,例如...
阅读文章,我在这段时间里从中学到了一些东西(所有的文章在神经科学学院 都有,在这里铺垫也没有意义)。
神经网络预测任务中输入数据的呈现 Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
对神经网络输入数据进行转换,以提高其鲜明性。K risilov V.A., Kondratyuk A.V.
通过学习样本的自适应简化加速神经网络的学习。K risilov V.A., Chumichkin K.V.
初步估计神经网络在时间序列预测任务中的训练采样质量。T arasenko R.A., Krisilov V.A.
在时间序列预测任务中形成神经网络的训练选择时对情况描述的大小的选择。T arasenko R.A., Krisilov V.A.
在预测时间序列行为的任务中,提高神经网络训练的质量和速度。O leshko D.N., Krisilov V.A.
你问的问题很奇怪)在我们的应用领域,通常有两个主要任务由NS解决:分类和回归。在此基础上,构建网络,选择其类型和架构,并对其输出进行相应的解释。输出是否将是输入设置为某个类别的归属,或明天的价格值(有条件的)。你的网络是做什么的?你在教它什么?
输入的归一化很简单,尽管可能有细微的差别,取决于输入及其特征(例如,NS的输入可能是复合的)。 对于一个 "同质 "的输入集,最简单和通常足够的变体是在给定范围[a;b]的线性转换。根据输入集的特点,可以进行额外的转换,以提高可辨识度,例如...
阅读文章,我在这段时间里从中学到了一些东西(所有的文章在神经科学学院 都有,在这里铺垫也没有意义)。
神经网络预测任务中输入数据的呈现 Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
对神经网络输入数据进行转换,以提高其鲜明性。K risilov V.A., Kondratyuk A.V.
通过学习样本的自适应简化加速神经网络的学习。K risilov V.A., Chumichkin K.V.
初步估计神经网络在时间序列预测任务中的训练采样质量。T arasenko R.A., Krisilov V.A.
在时间序列预测任务中形成神经网络的训练选择时对情况描述的大小的选择。T arasenko R.A., Krisilov V.A.
在预测时间序列行为的任务中,提高神经网络训练的质量和速度。O leshko D.N., Krisilov V.A.
该网络正在预测不久,输出是[-1;1]范围内的两个值。我首先向净输入8个值,然后归一化为[-1;1]的范围,不移零。然后我以同样的方式按权重和图层进行归一化。输出是对两个最近的分形的预测,以及它们相对于0条的相对位置。不存在数量上的约束力。也就是说,如果输出为-1和0.5,意味着最近的分形比Open[0]低2倍,下一个分形比Open[0]高。而以此类推,如果数值是0.3和1,那么这两个分形都高于Open[0]。谢谢你的选择。而在你看来,这些问题很奇怪。在我的脑海中(心智),一切都很清晰,可以理解。以及教学、培训和解释的计划和方法。但当谈到描述机器时--昏迷。
如果输入到网络输入和输出的信号没有携带任何对网络有用的信息,那么规范化就没有用。
如果这些信号携带有用的信息,那么原则上,如何以及用什么来规范化并不重要--主要的是不要模糊了这些包含的信息))))。
如果网络的输入和输出信号不能为网络提供有用的信息,那么归一化是没有用的 ))
你认为哪些输入信号带有有用的信息?)坦率地说,我不在乎隐藏层里发生了什么,可能是世界各国人民的馅饼食谱,最主要的是输出的是有用的信息,而我的输入将提供信息。
大家好。我对ns这个话题感兴趣,读了两本书,总的来说我明白了什么是什么。归一化输入,选择ns类型没有意义 - msp(或rbf)可以应付大多数任务...但是投入呢?在这里,大多数人分为两个阵营:那些说投入的指标是必要的(并强调这一点)和那些认为根本没有必要的 人:大多数指标ns可以复制,所以如果有必要ns会在自己内部创造必要的 "指标"。
也许,通过选择一些有用的指标,我们减少了搜索的区域(更确切地说,我们强加了某种搜索的方向),但理想情况下,我们必须 自己选择数据分析的方法。我这个外行的说法正确吗?也许我们需要在NS中为此创造特殊条件?