Neuronales Netz und Eingaben
Sie haben wirklich Recht, dass die Art des Netzes nicht so wichtig ist, die Hauptsache sind die Eingänge und natürlich der Ausgang. Man muss nur die richtigen Eingänge für das Netzwerk finden und es wird Wunder bewirken, aber wie findet man sie????? Mit einer einfachen Normalisierung ist es nicht getan.....
Handelt es sich bei Ihrer Frage um einen Hinweis oder um ein gesellschaftliches Problem? :)
1. Wenn Sie die erste Position einnehmen, müssen Sie vor allem den richtigen Satz von Indikatoren finden.
2. Wenn man die zweite Position einnimmt, gibt es zwei Hauptkomponenten: 1. die Normalisierung der Daten. 2.Bereitstellung von Verlaufsdaten unter Verwendung des Filters (Entfernen unnötiger Informationen).
Zum zweiten Punkt möchte ich hinzufügen. Im Allgemeinen wollte ich gefilterte Ticks in die Eingänge einspeisen (regulärer Renko), da ich den Zeitintervall-Chart mit Skepsis betrachte. Aber die Preise in gefilterte Zonen (z.B. 5) zu unterteilen. Je näher am realen Preis, desto niedriger die Renko-Periode, je weiter entfernt, desto höher. D.h. je weiter die Daten von der Gegenwart entfernt sind, desto weniger wirken sie sich auf den gegenwärtigen Zustand aus, weshalb wir die Filterung verstärken.
Aber ich habe die Ticks aufgegeben, weil es schwierig ist, ein System für den Erhalt aktueller Kursdaten zu erstellen und es mit der Tick-Historie zu verbinden. Ich habe beschlossen, mit Zeitintervallen zu spielen, obwohl sich die grundlegende Philosophie nicht geändert hat.
Ich werde mir erlauben, mich einzumischen, um die Themen nicht zu vervielfachen. Wer normalisiert die Eingangssignale? Und mit welchen Signalen kann man am Ausgang am besten arbeiten? Ich habe genug von primitiven Psaptrons, habe ein Netzwerk aufgebaut, Signale auf allen Ebenen normalisiert, aber es gibt ein großes Dilemma mit dem Ausgang, und es gibt eine Menge Unsicherheiten über kleine Dinge.
Sie stellen merkwürdige Fragen) Es gibt zwei Hauptaufgaben, die in unserem Anwendungsbereich normalerweise von NS gelöst werden: Klassifizierung und Regression. Auf dieser Grundlage wird das Netz konstruiert, sein Typ und seine Architektur gewählt und sein Output entsprechend interpretiert. Ob die Ausgabe die Zugehörigkeit der Eingabe zu einer bestimmten Klasse oder der Wert des morgigen Preises sein wird (bedingt). Was macht Ihr Netzwerk? Was bringen Sie ihm bei?
Die Normalisierung der Eingaben ist einfach, auch wenn es je nach Eingabe und ihren Merkmalen (die Eingabe des Netzes kann z. B. zusammengesetzt sein) Nuancen geben kann. Bei einer "homogenen" Eingabemenge ist die einfachste und in der Regel ausreichende Variante eine lineare Transformation in einem bestimmten Bereich [a;b]. Je nach Merkmalen der Eingabemenge sind zusätzliche Transformationen möglich, um beispielsweise die Unterscheidbarkeit zu verbessern...
Lesen Sie Artikel, ich habe in meiner Zeit etwas daraus gelernt (alle sind in der neurowissenschaftlichen Schule verfügbar und es macht keinen Sinn, sie hier aufzuführen):
Darstellung der Eingabedaten bei Vorhersageaufgaben in neuronalen Netzen Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Umwandlung der Eingabedaten des neuronalen Netzes zur Verbesserung ihrer Unterscheidbarkeit. Krisilov V.A., Kondratyuk A.V.
Beschleunigung des Lernens neuronaler Netze durch adaptive Vereinfachung der Lernproben. Krisilov V.A., Chumichkin K.V.
Vorläufige Schätzung der Qualität der Trainingsstichproben für neuronale Netze bei der Vorhersage von Zeitreihen. Tarasenko R.A., Krisilov V.A.
Die Wahl des Umfangs der Beschreibung der Situation bei der Bildung der Trainingsauswahl für die neuronalen Netze in den Aufgaben der Prognose der Zeitreihen. Tarasenko R.A., Krisilov V.A.
Steigerung der Qualität und Geschwindigkeit der Ausbildung neuronaler Netze bei der Prognose des Verhaltens von Zeitreihen. Oleshko D.N., Krisilov V.A.
Sie stellen merkwürdige Fragen) Es gibt zwei Hauptaufgaben, die in unserem Anwendungsbereich normalerweise von NS gelöst werden: Klassifizierung und Regression. Auf dieser Grundlage wird das Netz konstruiert, sein Typ und seine Architektur gewählt und sein Output entsprechend interpretiert. Ob die Ausgabe die Zugehörigkeit der Eingabe zu einer bestimmten Klasse oder der Wert des morgigen Preises sein wird (bedingt). Was macht Ihr Netzwerk? Was bringen Sie ihm bei?
Die Normalisierung von Eingaben ist einfach, obwohl es je nach Eingabe und ihren Merkmalen Nuancen geben kann (die Eingabe von NS kann z. B. zusammengesetzt sein). Bei einer "homogenen" Eingabemenge ist die einfachste und in der Regel ausreichende Variante eine lineare Transformation in einem bestimmten Bereich [a;b]. Je nach Merkmalen der Eingabemenge sind zusätzliche Transformationen möglich, um beispielsweise die Unterscheidbarkeit zu verbessern...
Lesen Sie Artikel, ich habe in meiner Zeit etwas daraus gelernt (alle sind in der neurowissenschaftlichen Schule verfügbar und es macht keinen Sinn, sie hier aufzuführen):
Darstellung der Eingabedaten bei Vorhersageaufgaben in neuronalen Netzen Krisilov V.A., Chumichkin K.V., Kondratyuk A.V.
Umwandlung von Eingabedaten für neuronale Netze zur Verbesserung ihrer Unterscheidbarkeit. Krisilov V.A., Kondratyuk A.V.
Beschleunigung des Lernens neuronaler Netze durch adaptive Vereinfachung der Lernproben. Krisilov V.A., Chumichkin K.V.
Vorläufige Schätzung der Qualität der Trainingsstichproben für neuronale Netze bei der Vorhersage von Zeitreihen. Tarasenko R.A., Krisilov V.A.
Die Wahl des Umfangs der Beschreibung der Situation bei der Bildung der Trainingsauswahl für die neuronalen Netze in den Aufgaben der Prognose der Zeitreihen. Tarasenko R.A., Krisilov V.A.
Steigerung der Qualität und Geschwindigkeit der Ausbildung neuronaler Netze bei der Prognose des Verhaltens von Zeitreihen. Oleshko D.N., Krisilov V.A.
Das Netz sagt früher voraus, die Ausgabe sind zwei Werte im Bereich [-1;1]. Ich gebe zunächst 8 Werte in den Netzeingang ein und normalisiere dann auf den Bereich [-1;1], ohne die Null zu verschieben. Dann normalisiere ich nach Gewichten und Schichten auf dieselbe Weise. Die Ausgabe ist eine Vorhersage der beiden nächstgelegenen Fraktale mit ihrer relativen Position in Bezug auf den 0-Balken. Es besteht keine quantitative Bindung. Das heißt, wenn die Ausgabe -1 und 0,5 ist, bedeutet dies, dass das nächste Fraktal zwei Mal niedriger ist als Open[0] und das nächste Fraktal höher als Open[0] ist. Und wenn die Werte 0,3 und 1 sind, dann sind beide Fraktale höher als Open[0]. Vielen Dank für die Auswahl. Und die Fragen sind Ihrer Meinung nach seltsam. In meinem Kopf ist alles klar und verständlich. Und die Schemata und Methoden des Unterrichts, der Ausbildung und der Interpretationen. Aber wenn es darum geht, die Maschine zu beschreiben - Stupor.
Wenn die Signale, die dem Netzwerkeingang und -ausgang zugeführt werden, keine nützlichen Informationen für das Netzwerk enthalten, ist die Normalisierung nutzlos.
Und wenn diese Signale nützliche Informationen enthalten, dann ist es im Prinzip egal, wie und womit man normalisiert - die Hauptsache ist, dass man die enthaltenen Informationen nicht verwischt ))))
Wenn die Eingangs- und Ausgangssignale des Netzes keine nützlichen Informationen für das Netz liefern, ist es sinnlos, zu normalisieren )))
Welche Eingangssignale enthalten Ihrer Meinung nach nützliche Informationen?) Ehrlich gesagt ist es mir egal, was in der verborgenen Schicht vor sich geht, seien es Rezepte von Torten der Völker der Welt, Hauptsache, die Ausgabe ist eine nützliche Information, und die Eingabe werde ich informativ gestalten.
Wenn die Signale, die dem Eingang und dem Ausgang des Netzes zugeführt werden, keine nützlichen Informationen für das Netz enthalten, ist es sinnlos, sie zu normalisieren )))
О! Leonid! Frohe Weihnachten! Viel Erfolg im Geschäft und gute Gesundheit!
Wie geht es mit dem Projekt voran?
http://www.neuroproject.ru/demo.php?
Ich wollte selbst näher an Neuroexperimente heran.
Was ist Ihrer Meinung nach derzeit relevant, können Sie Ihre Ideen zu Neuro mitteilen?
Ich danke Ihnen.
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Hallo zusammen. Ich habe mich für das Thema ns interessiert, zwei Bücher gelesen, im Großen und Ganzen verstehe ich, was los ist. Normalisieren Sie die Eingaben, es macht keinen Sinn, den Typ ns zu wählen - msp (oder rbf) kann die meisten Aufgaben bewältigen... aber was ist mit den Eingaben? Hier teilt sich die Mehrheit in zwei Lager: diejenigen, die sagen, dass Indikatoren auf Inputs notwendig sind (und dies betonen) und diejenigen, die glauben, dass es überhaupt nicht notwendig ist: die meisten Indikatoren ns reproduzieren können, so dass, wenn nötig ns wird die notwendige "Indikator" in sich selbst zu schaffen.
Vielleicht verringern wir durch eine Auswahl nützlicher Indikatoren den Bereich der Suche (genauer gesagt, wir geben eine bestimmte Richtung der Suche vor), aber im Idealfallmüssen wir die Methoden der Datenanalyse selbst wählen. Ist meine Aussage als Laie richtig? Vielleicht müssen wir in der NS besondere Bedingungen dafür schaffen?