가산기 입력의 이머전이 지연된 틱이 아니라 자체적으로 구성되어 있으면 어떻게 됩니까 :-) 즉, 이상적인 MA의 1차 도함수에 대해.
왜 아무도 해명을 요구하지 않습니까? :) 모든 사람에게 모든 것이 명확합니까?
현재 막대에는 이상적인 마스트가 없습니다. 그들의 예측은 사실일 수 있습니다. 우리는 그들에 대해 이야기하고 있습니까?
아니요, 우리는 이상적인 마우스에 대한 앤티 앨리어싱 창의 너비에 대한 예측에 대해 이야기하고 있습니다. 바로 이 창의 너비에 불과한 고요한 영역이 특징인 VR의 오른쪽 가장자리에 있는 유치한 소시지가 아님을 상기시켜 드리겠습니다.
코드에서 오류를 찾았습니다. 인덱스를 수정하지 않고 라인을 놓쳤습니다. 결과적으로 예측은 윈도우 백당 계산된 가중치에 이상적인 Mashka의 현재 값을 곱한 값을 기반으로 했습니다. 다음은 수정된 결과입니다(그림 참조). 여기서 가중치는 이전 창에 Mashka(미분의 의미에서)를 곱합니다.
이것은 앞으로 5개의 막대에 대한 예측입니다. 예상대로 예측 곡선은 시작부터 이미 성공적으로 무너졌습니다. 2개 이상의 방정식 수(최대 100개 확인)가 증가해도 크게 개선되지 않습니다.
코드에서 오류를 찾았습니다. 인덱스를 수정하지 않고 라인을 놓쳤습니다. 결과적으로 예측은 윈도우 백당 계산된 가중치에 이상적인 Mashka의 현재 값을 곱한 값을 기반으로 했습니다. 다음은 수정된 결과입니다(그림 참조). 여기서 가중치는 이전 창에 Mashka(미분의 의미에서)를 곱합니다.
이것은 앞으로 5개의 막대에 대한 예측입니다. 예상대로 예측 곡선은 시작부터 이미 성공적으로 무너졌습니다. 2개 이상의 방정식 수(최대 100개 확인)가 증가해도 크게 개선되지 않습니다.
Seryoga, 이것은 매우 나쁜 예측입니다. 자동 수정 방법은 예측을 다소 더 잘 만듭니다. VR로 전환하면 큰 실수를 저지를 것입니다.
Seryoga, 이것은 매우 나쁜 예측입니다. 자동 수정 방법은 예측을 다소 더 잘 만듭니다. VR로 전환하면 큰 실수를 저지를 것입니다.
다음 형식의 선형 자기회귀 모델을 의미하는 경우:
그럼 동의하지 않겠습니다. 사실은 거의 동일한 문제를 해결하고 있다는 것입니다(비교: x[n+1]=SUM{w[i]*x[ni]}, 여기서 i=0...P-1). 유일한 차이점은 합 기호 아래의 가중치는 침지 깊이 P에서 적응적으로 결정되고 고전적인 형태로 - 더 큰 영역에 대해 통합적으로 결정됩니다(상관 계수를 계산할 때 통계 수집용). 결과가 없다는 사실은 특히 신경망을 사용하여 비선형 방법으로 분석을 진행하려는 욕구를 강화할 뿐입니다.
이상적인 핸드휠(그래프를 가져옴)을 외삽하는 경우 LPF가 n차 도함수를 저장하도록 요구함으로써 예측 범위를 크게 늘릴 수 있다고 생각합니다. 여기서 n은 2보다 커야 합니다. 제 경우에는, 1차 도함수만 보존되어 수평선이 2~3개 더 늘어나면 줄이 무너지기 시작했습니다.
Seryoga, 이것은 매우 나쁜 예측입니다. 자동 수정 방법은 예측을 다소 더 잘 만듭니다. VR로 전환하면 큰 실수를 저지를 것입니다.
다음 형식의 선형 자기회귀 모델을 의미하는 경우:
그럼 당신과 의견이 다를 수 있습니다. 사실은 거의 동일한 문제를 해결하고 있다는 것입니다(비교: x[n+1]=SUM{w[i]*x[ni]}, 여기서 i=0...P-1). 유일한 차이점은 합 기호 아래의 가중치는 침지 깊이 P에서 적응적으로 결정되고 고전적인 형태로 - 더 큰 영역에 대해 통합적으로 결정됩니다(상관 계수를 계산할 때 통계 수집용). 결과가 없다는 사실은 특히 신경망을 사용하여 비선형 방법으로 분석을 진행하려는 욕구를 강화할 뿐입니다.
이상적인 핸드휠(그래프를 가져옴)을 외삽하는 경우 LPF가 n차 도함수를 저장하도록 요구함으로써 예측 범위를 크게 늘릴 수 있다고 생각합니다. 여기서 n은 2보다 커야 합니다. 제 경우에는, 1차 도함수만 보존되어 수평선이 2~3개 더 늘어나면 줄이 무너지기 시작했습니다.
Serega 및 계수가 있는 가산기만 사용되지 않는 경우. 따라서 작은 신경망 이 있다고 주장할 수 있습니다. 귀하와 제 모델을 더 잘 비교해 보겠습니다. 기준을 제시하기만 하면 됩니다. 나는 MatCAD 에서 predict ()를 사용할 것이고 당신은 당신의 시스템을 사용할 것이다. 우리는 동일한 개발 환경을 가지고 있으므로 데이터 파일(견적, 테스트 프로세스 - 닫기 , 평균 또는 기타 ..., 테스트 영역)을 결정합니다. 예측 MA 만 테스트하고 MA 자체는 적응적으로 선택됩니다. 어떤 방식이든 최종 결과만 중요합니다. 각 샘플에 대해 테스트하여 통계적 신뢰성 확보(데이터가 충분해 보입니다)
사실, 예측 범위는 적응적으로 선택되고 이전에 지정된 제한 내에서 값을 취합니다. 다음은 내 MA 예측의 예입니다.
[오류 없음]
비교해 볼까요? 그리고 그렇다면 기준에 대한 제안은 무엇인지, 1독서에 해당하는 1그림이 바람직하기 때문에 비교가 더 쉬울 것이라고 생각합니다.
매끄러운 곡선(MA)과 관련하여 우리 둘을 위한 하나의 파일이 배치되어 있고 앞으로 N 카운트에 대한 예측이 이루어진다는 것을 올바르게 이해했습니까? 그렇다면 다음과 같은 방식으로 결과를 평가할 것입니다. 예측 통계(예: 1000개 결과)를 미리 수집하고(예:) 직교 좌표로 예측 필드를 구축하여 가로축을 따라 MA의 실제 값을 플로팅합니다. 세로축을 따라 예측합니다.
결과 구름을 사용하여 최소 자승법을 사용하여 직선을 그립니다. 이 직선의 기울기의 접선이 1에 더 가까워지는 방법 - 더 가파릅니다!
가산기 입력의 이머전이 지연된 틱이 아니라 자체적으로 구성되어 있으면 어떻게 됩니까 :-) 즉, 이상적인 MA의 1차 도함수에 대해.
이제 완벽한 차를 찾는 일만 남았습니다. 진짜 Jurik를 만지작거려 보세요. 이상적이지는 않지만 여전히 가깝습니다. 또한 매우 부드럽습니다.
오 얼마나 흥미로운가!
가산기 입력의 이머전이 지연된 틱이 아니라 자체적으로 구성되어 있으면 어떻게 됩니까 :-) 즉, 이상적인 MA의 1차 도함수에 대해.
왜 아무도 해명을 요구하지 않습니까? :) 모든 사람에게 모든 것이 명확합니까?
현재 막대에는 이상적인 마스트가 없습니다. 그들의 예측은 사실일 수 있습니다. 우리는 그들에 대해 이야기하고 있습니까?
비닌에게
우리에게 당신의 생각을 주십시오 - 속편이 있을 것입니다!
불행히도 나는 오랫동안 독자였습니다. 그렇기 때문에 아무것도 제안할 수 없습니다. 주제는 정말 흥미롭습니다. 양해를 구합니다.
오 얼마나 흥미로운가!
가산기 입력의 이머전이 지연된 틱이 아니라 자체적으로 구성되어 있으면 어떻게 됩니까 :-) 즉, 이상적인 MA의 1차 도함수에 대해.
왜 아무도 해명을 요구하지 않습니까? :) 모든 사람에게 모든 것이 명확합니까?
현재 막대에는 이상적인 마스트가 없습니다. 그들의 예측은 사실일 수 있습니다. 우리는 그들에 대해 이야기하고 있습니까?
아니요, 우리는 이상적인 마우스에 대한 앤티 앨리어싱 창의 너비에 대한 예측에 대해 이야기하고 있습니다. 바로 이 창의 너비에 불과한 고요한 영역이 특징인 VR의 오른쪽 가장자리에 있는 유치한 소시지가 아님을 상기시켜 드리겠습니다.
코드에서 오류를 찾았습니다. 인덱스를 수정하지 않고 라인을 놓쳤습니다. 결과적으로 예측은 윈도우 백당 계산된 가중치에 이상적인 Mashka의 현재 값을 곱한 값을 기반으로 했습니다. 다음은 수정된 결과입니다(그림 참조). 여기서 가중치는 이전 창에 Mashka(미분의 의미에서)를 곱합니다.
이것은 앞으로 5개의 막대에 대한 예측입니다. 예상대로 예측 곡선은 시작부터 이미 성공적으로 무너졌습니다. 2개 이상의 방정식 수(최대 100개 확인)가 증가해도 크게 개선되지 않습니다.
추신: 기분이 좋아졌습니다!
비닌에게
불행히도 나는 오랫동안 독자였습니다. 그렇기 때문에 아무것도 제안할 수 없습니다. 주제는 정말 흥미 롭습니다. 실례합니다.
글쎄, 이 문제에 대해 뉴런을 충전하는 방법. 약하지 않아?
갑자기 두 개 이상의 은닉층에서 태어난 NN의 선험적 비선형성이 기적을 일으킬 것입니다...
비닌에게
불행히도 나는 오랫동안 독자였습니다. 그렇기 때문에 아무것도 제안할 수 없습니다. 주제는 정말 흥미 롭습니다. 양해를 구합니다.
글쎄, 이 문제에 대해 뉴런을 충전하는 방법. 약하지 않아?
갑자기 두 개 이상의 은닉층에서 태어난 NN의 선험적 비선형성이 기적을 일으킬 것입니다...
물론 뉴런을 만들 수도 있습니다. 하지만 뉴런에 관한 것만은 아닙니다. 입력을 결정할 필요가 있지만 여전히 보이지 않습니다.
입력은 정상입니다. 가장 중요한 것은 거래의 신뢰 구간 을 결정하는 것입니다.
시스템이 반년 동안 거래 된 다음 급격히, 때로는 더 일찍 소모됩니다....
코드에서 오류를 찾았습니다. 인덱스를 수정하지 않고 라인을 놓쳤습니다. 결과적으로 예측은 윈도우 백당 계산된 가중치에 이상적인 Mashka의 현재 값을 곱한 값을 기반으로 했습니다. 다음은 수정된 결과입니다(그림 참조). 여기서 가중치는 이전 창에 Mashka(미분의 의미에서)를 곱합니다.
이것은 앞으로 5개의 막대에 대한 예측입니다. 예상대로 예측 곡선은 시작부터 이미 성공적으로 무너졌습니다. 2개 이상의 방정식 수(최대 100개 확인)가 증가해도 크게 개선되지 않습니다.
Seryoga, 이것은 매우 나쁜 예측입니다. 자동 수정 방법은 예측을 다소 더 잘 만듭니다. VR로 전환하면 큰 실수를 저지를 것입니다.
Seryoga, 이것은 매우 나쁜 예측입니다. 자동 수정 방법은 예측을 다소 더 잘 만듭니다. VR로 전환하면 큰 실수를 저지를 것입니다.
다음 형식의 선형 자기회귀 모델을 의미하는 경우:
그럼 동의하지 않겠습니다. 사실은 거의 동일한 문제를 해결하고 있다는 것입니다(비교: x[n+1]=SUM{w[i]*x[ni]}, 여기서 i=0...P-1). 유일한 차이점은 합 기호 아래의 가중치는 침지 깊이 P에서 적응적으로 결정되고 고전적인 형태로 - 더 큰 영역에 대해 통합적으로 결정됩니다(상관 계수를 계산할 때 통계 수집용). 결과가 없다는 사실은 특히 신경망을 사용하여 비선형 방법으로 분석을 진행하려는 욕구를 강화할 뿐입니다.
이상적인 핸드휠(그래프를 가져옴)을 외삽하는 경우 LPF가 n차 도함수를 저장하도록 요구함으로써 예측 범위를 크게 늘릴 수 있다고 생각합니다. 여기서 n은 2보다 커야 합니다. 제 경우에는, 1차 도함수만 보존되어 수평선이 2~3개 더 늘어나면 줄이 무너지기 시작했습니다.
Seryoga, 이것은 매우 나쁜 예측입니다. 자동 수정 방법은 예측을 다소 더 잘 만듭니다. VR로 전환하면 큰 실수를 저지를 것입니다.
다음 형식의 선형 자기회귀 모델을 의미하는 경우:
그럼 당신과 의견이 다를 수 있습니다. 사실은 거의 동일한 문제를 해결하고 있다는 것입니다(비교: x[n+1]=SUM{w[i]*x[ni]}, 여기서 i=0...P-1). 유일한 차이점은 합 기호 아래의 가중치는 침지 깊이 P에서 적응적으로 결정되고 고전적인 형태로 - 더 큰 영역에 대해 통합적으로 결정됩니다(상관 계수를 계산할 때 통계 수집용). 결과가 없다는 사실은 특히 신경망을 사용하여 비선형 방법으로 분석을 진행하려는 욕구를 강화할 뿐입니다.
이상적인 핸드휠(그래프를 가져옴)을 외삽하는 경우 LPF가 n차 도함수를 저장하도록 요구함으로써 예측 범위를 크게 늘릴 수 있다고 생각합니다. 여기서 n은 2보다 커야 합니다. 제 경우에는, 1차 도함수만 보존되어 수평선이 2~3개 더 늘어나면 줄이 무너지기 시작했습니다.
Serega 및 계수가 있는 가산기만 사용되지 않는 경우. 따라서 작은 신경망 이 있다고 주장할 수 있습니다. 귀하와 제 모델을 더 잘 비교해 보겠습니다. 기준을 제시하기만 하면 됩니다. 나는 MatCAD 에서 predict ()를 사용할 것이고 당신은 당신의 시스템을 사용할 것이다. 우리는 동일한 개발 환경을 가지고 있으므로 데이터 파일(견적, 테스트 프로세스 - 닫기 , 평균 또는 기타 ..., 테스트 영역)을 결정합니다. 예측 MA 만 테스트하고 MA 자체는 적응적으로 선택됩니다. 어떤 방식이든 최종 결과만 중요합니다. 각 샘플에 대해 테스트하여 통계적 신뢰성 확보(데이터가 충분해 보입니다)
사실, 예측 범위는 적응적으로 선택되고 이전에 지정된 제한 내에서 값을 취합니다. 다음은 내 MA 예측의 예입니다.
[오류 없음]
비교해 볼까요? 그리고 그렇다면 기준에 대한 제안은 무엇인지, 1독서에 해당하는 1그림이 바람직하기 때문에 비교가 더 쉬울 것이라고 생각합니다.
추신 : 시험 시간을 너무 세게 정하지 말자. 할 일이 많다고 생각한다.
PS2 : 확인을 위해 메일로 파일 교환이 가능합니다. o)
확인!
매끄러운 곡선(MA)과 관련하여 우리 둘을 위한 하나의 파일이 배치되어 있고 앞으로 N 카운트에 대한 예측이 이루어진다는 것을 올바르게 이해했습니까? 그렇다면 다음과 같은 방식으로 결과를 평가할 것입니다. 예측 통계(예: 1000개 결과)를 미리 수집하고(예:) 직교 좌표로 예측 필드를 구축하여 가로축을 따라 MA의 실제 값을 플로팅합니다. 세로축을 따라 예측합니다.
결과 구름을 사용하여 최소 자승법을 사용하여 직선을 그립니다. 이 직선의 기울기의 접선이 1에 더 가까워지는 방법 - 더 가파릅니다!
추신 그리고 작은 뉴런에 관해서는 항상 그렇듯이 과녁을 맞았습니다 :-)