Artikel: Preisprognosen mit neuronalen Netzen - Seite 12
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Ein weiterer Punkt, den wir diskutieren können, ist die optimale Anzahl von Synapsen im NS. Aus allgemeinen Überlegungen geht hervor, dass es nicht zu viele sein sollten, da die NS sonst zu viel lernen würden. Es sollten aber auch nicht zu wenige sein, sonst wird das Netz nicht ausreichend trainiert. In der Literatur bin ich auf unterschiedliche Meinungen zu diesem Thema gestoßen, daher möchte ich die Meinung der geschätzten Forumsnutzer erfahren.
Die Anzahl der Synapsen wirkt sich stark auf die Lernfähigkeit eines Netzwerks aus. Ich habe mehrmals versucht, eine Trainingsmethode zu entwickeln, die die Topologie des Netzes berücksichtigt, aber ich bin gescheitert.
OK, aber ich hätte gern eine Theorie.
Hier ist die Argumentation laut. Für ein einschichtiges NS mit einer Anzahl von Eingängen N gibt es N Synapsen, deren Gewichte das System N im allgemeinen Fall nichtlinearer Gleichungen eindeutig bestimmen. Es ist klar, dass wir zur Lösung eines solchen Systems eine Trainingsstichprobe von N Vektoren benötigen, die jeweils aus N Elementen bestehen. In diesem Fall funktioniert es nicht anders. Bei NS mit zwei Schichten muss die Anzahl der Eingänge um n kleiner sein als die Gesamtzahl der Trainingsvektoren N, wobei n die Anzahl der Synapsen in der zweiten Schicht ist, so dass die Länge der Trainingsvektoren die Länge N-n hat.
Bei einem dreischichtigen NS ist die Reihenfolge der Überlegungen dieselbe.
So:
1) Wir gehen von der benötigten Vertiefungstiefe aus und bestimmen die Dimensionalität des NS-Inputs.
2. Unter Berücksichtigung der Architektur (Anzahl der Schichten) von NS zählen wir dann die Anzahl der Synapsen und erhalten die optimale Größe der Trainingsstichprobe.
Eines der wichtigsten Dinge (meiner Meinung nach) ist die Datenaufbereitung, um dies zu tun
1. Versuchen Sie, die Korrelation der Eingaben zu verringern. Mit anderen Worten, die Eingaben sollten so statistisch unabhängig wie möglich sein.
2. Bei der Normalisierung der Eingangsvektoren ist es notwendig, eine Erhöhung der Entropie zu erreichen - dadurch erhöht sich die Menge der Information, die den NS bei der Erhaltung des gleichen Umfangs der Eingangsdaten vorgelegt wird.
Obligatorische Prüfung der Datenqualität, z. B. mit der Kolmogorov-Smirnov-Methode oder/und mit dem Hurst-Exponenten.
Die Wahl der Netzarchitektur kann den Fehler verringern.
Die Bleichung und Normalisierung der Eingaben ist einfach zu bewerkstelligen. Es ist elementar. Doch wie lässt sich die optimale Anzahl der Eingänge (Eintauchtiefe) bestimmen? Ist es möglich, dies nur experimentell zu tun? Zu diesem Thema gibt es einige Überlegungen. Ich kann zeigen, dass es ein lokales Optimum für die Anzahl der Eingänge gibt. Es dürfen nicht wenige sein, aber auch nicht viele. In der Regel liegt das Optimum bei 3-5 Eingaben. Was sagt die Theorie in dieser Hinsicht?
Das Bleichen und Normalisieren der Eingaben ist selbsterklärend. Es ist elementar. Doch wie lässt sich die optimale Anzahl der Eingänge (Eintauchtiefe) bestimmen? Ist es möglich, dies nur experimentell zu tun? Zu diesem Thema gibt es einige Überlegungen. Ich kann zeigen, dass es ein lokales Optimum für die Anzahl der Eingänge gibt. Es dürfen nicht wenige sein, aber auch nicht zu viele. In der Regel liegt das Optimum bei 3-5 Eingaben. Was sagt die Theorie in dieser Hinsicht?
Die Theorie sagt - nur nach Bauchgefühl, also experimentell. Die Hauptsache ist, dass sie informativ sind.
Was Sie sagen, ist traurig.
Die Größe des Problems (global) erlaubt es leider nicht, die Frage nach den optimalen NS-Parametern in angemessener Zeit zufriedenstellend zu beantworten. Sollen wir den Intellekt einbeziehen und Kriterien aufstellen?
Im Allgemeinen ist die Arbeit des Netzwerks faszinierend! Zu Versuchszwecken habe ich ein kleines (einlagiges) Netz mit vier Eingängen und ohne Nichtlinearität am Ausgang entworfen.
Ich gebe Ticks in die Eingabe ein und trainiere sie bei jedem Tick neu und mache Vorhersagen einen Tick im Voraus. Oh, Mann, es macht Vorhersagen! In der Abbildung ist rot der Ticker, blau die Vorhersage.
Natürlich verstehe ich, dass die für die Vorhersage ausgewählte Reihe so einfach ist wie zwei Finger auf dem Bürgersteig, aber das Netz ist elementar.
Ich arbeite bei NeuroSolutions, und es gibt eine Option zur Dimensionierung des Netzwerks und der Tauchtiefe
Besser zu ICQ (siehe Profil)
Dobrovo vam vremia sutok i izvinite za translit.
Ja nacinajuscij treider, no s bolsim bagazom programirovanija. U menia vopros vam, otnositelno neironnix setej.
Procitav ves topic forum, mne bolee menee jasno kemu vse klonitsia ispolzuja neironnije seti, i potomu voprosi, dumaju, bolee konkretnije.
Dannije
1. es gibt kucia Signale mit odinakovim cislom parametrov na konkretnij slucaj. - eto kak bi vxod neiroseti
2. es gibt ein rezultat - ist serii xoroso/ploxo
Itak - ist es möglich, ispolzuja neiroset poluchit otvet neiroseti v buduscem po etoj modeli - novije dannije - otvet - xoroso oder ploxo? Kakije trudnosti obucenija NN vozmozni v etoj scheme?
Udovovletvoriajj menia rezultat b b b virozenije sili v nabore signalov s raznimi parametrovi (slaboje ili silnoje) v konkretnom sluchai.