Clase de Red Neuronal MLP - librería para MetaTrader 5

CNetMLP proporciona un perceptrón multicapa (MLP).

Esta clase se caracteriza porque el vector de entrada y la estructura de la red están separados, es decir, las descripciones del vector de entrada y de la estructura de la red no están conectados entre sí.

El vector de entrada puede ser de cualquier tamaño dentro de los límites de lo razonable. Los datos de entrada tienen que estar normalizados, esto es, deben estar comprendidos dentro del rango de -1 .. 1 o 0 .. 1. En función del tipo de datos se aplican diferentes funciones para activar la red: la tangente hiperbólica se utiliza dentro del rango de datos -1 .. 1, mientras que la función sigmoide se utiliza dentro del rango 0..1.

La red tiene una estructura capa-por-capa con una transmisión de señal directa. La estructura de la red se describe con un array unidimensional, donde el valor del elemento del array determina el número de neuronas en la capa adecuada. El número de capas y de neuronas no está limitado. La red puede tener una sola neurona.

Cada neurona tiene múltiples entradas, definidas por su lugar en la red, y una salida. Si la red tiene que distribuir N respuestas, la última capa debe contener N neuronas. iRprop es el algoritmo de aprendizaje. Los datos de entrenamiento de entrada y de salida se encuentran en matrices unidimensionales vector por vector. El proceso de aprendizaje está limitado por el número de ciclos de aprendizaje (epoch) o bien por un error aceptable.

La red se crea de la siguiente manera:

CNetMLP  *net=new CNetMLP(
número de capas, array de la estructura de la red, tamaño del vector de entrada, tipo de función de activación: 0 - sigmoide, 1 - tangente hiperbólica).

La enseñanza de la red se lleva a cabo mediante una llamada al método Learn (número de patrones de enseñanza, array de datos de entrada, array de datos de salida, número de ciclos de aprendizaje, error de aprendizaje permitido). El resultado de la enseñanza se puede comprobar en las variables de clase: mse - error de aprendizaje y epoch - número de ciclos de aprendizaje conseguidos.

El método Calculate (array del vector de entrada, array de respuesta de red) se utiliza para obtener la respuesta de la red.

Los métodos Save (abre el manejador de archivo con las banderas FILE_WRITE y FILE_BIN) y Load (abre el manejador de archivo con las banderas FILE_READ y FILE_BIN) están diseñados para guardar la red en un archivo y para cargar la red a partir de un archivo, respectivamente. En el archivo sólo se guardan los errores de aprendizaje y el array de tamaños. Antes de utilizar el método Load hay que comprobar la conformidad de las redes creadas y descargadas.

El siguiente ejemplo ilustra la utilización de esta clase. Los archivos de la clase y el ejemplo tienen que ponerse en la misma carpeta.