Hybride neuronale Netze. - Seite 4
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
zu dentraf
MQL4
an IlyaA
Ja, ich weiß. Und auch etwa 200-300 Bücher von verschiedenen Autoren. Aber ich dachte, ich werde NN und GA selbst schneller beherrschen als diese Bibliothek zu lesen. Und so war es dann auch. Schneller.
Mit Beherrschung meine ich die praktische Anwendung, nicht die Vertrautheit mit der Terminologie.
dann Haykin p. 330, Kapitel 4.19 Ich beherrsche diese Sache gut. Sie werden den Dreh schon bald raus haben.Auch dazu möchte ich Sie beraten. Legen Sie eine zusätzliche Population an, in die Sie die besten Individuen aus jeder Epoche einsetzen (ich nenne sie den "Epochen-Genpool" oder GE). Nehmen Sie bei der Paarung Individuen aus der aktuellen Population und aus der GE. Dadurch wird die Zahl der Starts aus dem Stand drastisch reduziert. Diese Methode ist nicht zu verwechseln mit der Elitenauswahl.
Lassen Sie uns der Kreuzung auf den Grund gehen. Ich wähle meine nach der Wahrscheinlichkeit aus, die angibt, wie sehr dieses Perzeptron besser abgeschnitten hat als die anderen. Dementsprechend hat der beste Kandidat eine 80 %ige Chance, an jedem Paar teilzunehmen, und der schlechteste Kandidat eine 20 %ige Chance. Das ist ihre Art zu leben. Was ist mit Ihrer Methode der zusätzlichen Bevölkerung gemeint?>>Dankeschön. >> Sehr detailliert. Grundsätzlich ja, wenn Sie den Algorithmus bereits mehrfach mit verschiedenen Parametern durchgeführt haben, dann verwenden Sie die Ergebnisse. Also 200... Okay, belassen wir es dabei. Dann der nächste Punkt. Wir sollten nach dem profitablen "Fake" suchen (Kombination von Candlesticks und Indikatoren) und ihn nicht mit den Augen, sondern mit dem Perceptron suchen. Es soll für uns linear trennbare Gruppen bilden. Suchkriterien Gewinn => max. Anhalten nach Belieben. Dann Analyse der Gewichte und Identifizierung der "Finte". Dann ein normaler Indikator und ein Handelssystem. Ziemlich kompliziert, aber das ist nur auf den ersten Blick so. Das Fummeln mit Waagen ist sehr interessant (zumindest für mich). Frage :) Ich habe, um die Geschichte für 5 Jahre auf Candlesticks + Indikatoren (optional) durch jede einzelne laufen, und es gibt jetzt 200 auf jeder Bevölkerung. Dies ist ein enormer Ressourcenverbrauch, und wir wissen nicht, wann wir damit aufhören werden. Versuchen wir, das Problem neu zu formulieren oder auf andere Weise die wichtigste Eigenschaft dieses Entwurfs zu erhalten - die Erkennung eines "Finks" durch eine Maschine.
5 Jahre bei welcher TF? Wenn M1, ja, eine lange Zeit. Wenn W1, dann sehr schnell.
Es ist nicht notwendig, ein Wunderkind aus dem Netz zu machen und zu versuchen, dem Netz alle historischen Momente (profitable Phänomene) beizubringen. Die meisten von ihnen werden nie wieder vorkommen, zumindest 99 %.
Ich halte 1000-3000 Takte für optimal. Zum erneuten Einlernen, wenn der Fehler während des Betriebs über den angegebenen Wert ansteigt. Obwohl es über die Anzahl der Beispiele (Balken) unterschiedliche Meinungen gibt, gibt es jetzt vielleicht Leute, die gegen dieses Thema sind.
5 Jahre bei welcher TF? Wenn M1, ja, eine lange Zeit. Wenn W1, dann sehr schnell.
Es ist nicht nötig, ein Wunderkind aus dem Netz zu machen und zu versuchen, dem Netz alle historischen Momente (profitable Phänomene) beizubringen. Die meisten von ihnen werden nie wieder vorkommen, zumindest 99 %.
Meiner Meinung nach sind 1000-3000 Takte in der Vergangenheit optimal. Zur Nachschulung, wenn ein Fehler während des Betriebs einen bestimmten Wert überschreitet. Obwohl die Zahl der Beispiele (Bars), gibt es unterschiedliche Ansichten, vielleicht gibt es jetzt Menschen, die Gegner in dieser Frage sind.
Nun, ich denke, ich fange an. Warum schlage ich eine Menge Bars vor? Denn (selbst gefragt, selbst geantwortet) wie bereits richtig festgestellt wurde, sind die meisten Fennecks Wegwerfartikel und das Netz kann sie "einkerben". Und es wird sich herausstellen, wie üblich, auf das Intervall getestet wird Schokolade, auf alle anderen - Futter für Nahrung. Mein Vorschlag ist, dass der beste Filter für Wegwerfmomente darin besteht, sie zu integrieren. Das Gitter wird eine bessere Chance haben, den sich wiederholenden Fink zu isolieren. Was ist Ihre Idee?Gestern habe ich ein 10-15-10-1-Raster geschrieben
>> weiter...
Haben Sie das Perzeptron auf übermäßiges Lernen (Overlearning, Cogging) überprüft?
Dann Haykin p. 330, Kapitel 4,19 Ich besitze diese Sache gut. Sie werden den Dreh schon bald raus haben.Ich habe noch keine Zeit zum Lesen, aber vielleicht komme ich noch dazu. Ich danke Ihnen.
IlyaA schrieb(a) >>.
Lassen Sie uns das Wesen der Kreuzungen aufdecken. Ich wähle meine nach der Wahrscheinlichkeit aus, die angibt, wie sehr dieses Perzeptron besser abgeschnitten hat als die anderen. Dementsprechend hat der beste Kandidat eine 80 %ige Chance, an jedem Paar teilzunehmen, und der schlechteste Kandidat eine 20 %ige Chance. Das ist ihre Art zu leben. Was ist mit Ihrer Methode der Bevölkerungsergänzung gemeint?
Ja. Die Nachkommen dieser Eltern werden in die neue Population eingeführt. Die übrigen Menschen sterben schmachvoll, ohne jemals Liebe erfahren zu haben. :)
Hier ist der Haken! Wir wissen nicht, ob sich unter den Toten anständige Exemplare befanden. Was soll's, wenn sie wie Freaks aussehen, sie könnten eine neue, starke Generation hervorgebracht haben.
Gehen Sie an die GA-Frage heran, als ob Sie versuchen würden, einen Schwan aus Drosophila-Fliegen zu züchten.
Der Algorithmus lautet wie folgt:
1 Erstellen Sie eine Population von zufälligen Individuen (die meisten von ihnen sind hässlich).
2 Wir haben die Anpassungsfähigkeit ermittelt.
Drittens haben wir die Population in den Genpool vervielfältigt
4 Kreuzung von Individuen aus der Population und dem Genpool (durch Selektion von dort und dort).
5 Neue Individuen in die neue Population aufnehmen
6 Bestimmen Sie die Fitness jedes Einzelnen
7 Nehmen Sie die besten Individuen aus der alten und der neuen Population und setzen Sie sie in den Genpool ein, wenn sie besser sind als die Individuen im Genpool (ersetzen)
8 Ersetzen der alten Population durch Individuen aus der neuen Population.
9 Wiederholung mit p4
und so weiter, bis es keine besseren als die besten im Genpool mehr gibt.
Ich habe noch keine Zeit zum Lesen, aber vielleicht komme ich noch dazu. Ich danke Ihnen.
Ja. Die Nachkommen dieser Eltern werden in die neue Population eingeführt. Der Rest stirbt schmachvoll, ohne jemals Liebe erfahren zu haben. :)
Das ist der schwierige Teil! Wir wissen nicht, ob es unter den Verstorbenen würdige Personen gibt. Auch wenn sie hässlich aussehen, haben sie vielleicht eine neue, starke Generation hervorgebracht.
Gehen Sie an die GA-Frage heran, als ob Sie versuchen würden, einen Schwan aus Drosophila-Fliegen zu züchten.
Der Algorithmus lautet wie folgt:
1 Erstellen Sie eine Population von zufälligen Individuen (die meisten von ihnen sind hässlich).
2 Wir haben die Anpassungsfähigkeit ermittelt.
Drittens haben wir die Population in den Genpool vervielfältigt
4 Kreuzung von Individuen aus der Population und dem Genpool (durch Selektion von dort und dort).
5 Neue Individuen in die neue Population aufnehmen
6 Bestimmen Sie die Fitness jedes Einzelnen
7 Nehmen Sie die besten Individuen aus der alten und der neuen Population und setzen Sie sie in den Genpool ein, wenn sie besser sind als die Individuen im Genpool (ersetzen)
8 Ersetzen der alten Population durch Individuen aus der neuen Population.
9 Wiederholung mit p4.
und so weiter, bis nur noch die Besten des Genpools übrig bleiben.
Ok. Ich werde abwarten und sehen :) Dies ist der Strahlenfindung sehr ähnlich. Ich habe die Leistung des Strahlenfindungsalgorithmus mit einer probabilistischen Kreuzung verglichen. Die Ergebnisse waren besser (weniger Populationen) bei der probabilistischen Kreuzung. Wenn Sie es jedoch verwenden, ist die Wahrscheinlichkeit groß, dass es gut funktioniert. Sie müssen ein Experiment durchführen. Wie soll man das sehen? Sagen wir bei XOR?
Nun, ich denke, ich fange an. Warum schlage ich eine Vielzahl von Bars vor? Denn (selbst gefragt, selbst geantwortet), wie bereits richtig festgestellt wurde, sind die meisten Phenekes Einwegartikel und das Netz kann sie "auswendig". Und es wird sich herausstellen, wie üblich, auf das Intervall getestet wird Schokolade, auf alle anderen - Futter für Nahrung. Mein Vorschlag ist, dass der beste Filter für Wegwerfmomente darin besteht, sie zu integrieren. Das Gitter wird eine bessere Chance haben, den sich wiederholenden Fink zu isolieren. Was ist Ihre Idee?Denken Sie an NN, als ob Sie an Ihr Gehirn denken würden. Wie werden Sie dies "integrieren"? Stellen Sie sich vor, Sie kennen sich mit Malerei aus. Vielleicht sind Sie das wirklich.
Nun, Sie kennen die charakteristischen Techniken berühmter Meister (profitable Fics). Fügen Sie nun die Arbeiten aller berühmten Meister in Photoshop in eine Ebene ein. Kennen Sie einige der bekannten Tricks der Künstler? Das bezweifle ich. Das gilt auch für NN.
Denken Sie an NN, als ob Sie an Ihr Gehirn denken würden. Wie werden Sie dies "integrieren"? Stellen Sie sich vor, Sie kennen sich mit Malerei aus. Vielleicht tun Sie das tatsächlich.
Sie kennen also die charakteristischen Techniken berühmter Meister (profitable Chips). Fügen Sie nun die Arbeiten aller berühmten Meister in Photoshop in eine Ebene ein. Werden Sie ein einziges Merkmal eines berühmten Autors finden, das Sie kennen? Das bezweifle ich. Das gilt auch für NN.
Was ist integrierendes Rauschen? (Auch hier habe ich gefragt und geantwortet:) Sie haben eine Zufallsvariable m(t), die gleichmäßig auf den Intervallen [-1; 1] verteilt ist. Dementsprechend ist der Erwartungswert = 0. Das ist großartig. Wir haben auch ein Signal s(t) mit komplexer Konfiguration. Die Amplitude von Signal und Rauschen haben vergleichbare Werte. Das Problem besteht darin, s(t) aus s(t) + m(t) zu extrahieren, vorausgesetzt, dass s(t) + m(t) beliebig oft wiederholt werden kann. Die Störungen sind jedes Mal neu, die Signalkurve unterscheidet sich stark von der vorherigen Kurve. Die Methode ist verblüffend einfach: Finden Sie den Durchschnittswert des Signals s(t) + m(t) über 1000 Wiederholungen. In diesem Fall wurde die Störung, für die es keine mathematische Erwartung gab, integriert und entfernt. Je öfter wir das Signal s(t) + m(t) mitteln können, desto weniger Störungen bleiben übrig. Hier ist meine Idee noch einmal im Detail.
Um das Netz daran zu hindern, alle Merkmale auf einmal zu entdecken (nennen wir es Abstraktionismus-Effekt), werden wir die Anzahl der Neuronen reduzieren und so einen Vorteil bei der Generalisierungsfähigkeit des Netzes und die Unmöglichkeit für das Perzeptron, eine große Menge an Material zu lernen, erzielen. Wir werden das Netz darauf ausrichten, nur eine, aber die profitabelste Sache in den Daten zu finden. Was meinen Sie dazu?