zfs писал(а)>> В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю.
그리고 정말 요점은 무엇입니까!? 예를 들어 설명하십시오. ....지표가 일반 평균과 유사하기 때문에 .......
신경망은 인간 뇌 뉴런의 작동 원리를 모델링하는 요소를 기반으로 구축된 자가 학습 시스템입니다.
McCulloch-Pitts 뉴런의 모델은 몸체(체체)와 과정(축삭)으로 구성되며, 그 끝은 다른 뉴런의 몸체와 연결됩니다. 접합부를 시냅스라고 합니다. 시냅스는 시냅스 연결 w의 강도가 특징입니다. 뉴런 i에 연결 강도가 wi1, ..., win인 시냅스가 있으면 다른 뉴런(Sj)에서 이를 통해 오는 충동이 합산되어 출력이 제공됩니다.
뉴런 모델.
신경망의 활성화 함수(전이 함수) f()는 일반적으로 단순 단계 함수, 대칭 또는 비대칭 S자형 함수 또는 선형 단계 함수(그림 참조)로 선택됩니다.
쌀. 단순 단계, 비대칭 및 대칭 S자 활성화 함수.
i번째에 있는 j번째 뉴런의 연결 강도인 wij를 표시하면 n개의 뉴런으로 구성된 신경망은 시냅스 연결 매트릭스에 의해 완전히 특성화됩니다.
일반적으로 가장 단순한 신경망, 이른바 계층화된 신경망이 사용됩니다. 각 층의 뉴런의 입력은 이전 뉴런의 출력에만 연결됩니다. 첫 번째 레이어는 입력, 마지막 레이어는 출력, 나머지는 은닉(내부) 레이어입니다. 이러한 신경망 지정의 예: 4 - 8 - 5 - 3. 이는 신경망이 4개의 레이어로 구성됨을 의미합니다. 입력 레이어에는 4개의 뉴런, 출력 레이어에는 8개, 두 개의 숨겨진 레이어. 신경망의 관리(훈련)는 행렬 W에서 시냅스 연결의 강도를 변경하여 수행됩니다. 신경망은 자가 학습 시스템으로 사용하거나 특별히 선택된 예제에 미리 구성할 수 있습니다. 교사). 주어진 입력 신호 세트에 대해 신경망을 조정할 때 네트워크는 샘플과 비교되는 출력 신호를 생성하며, 샘플과의 편차는 특별히 선택된 손실 함수(예: 표준 편차와 같음)를 사용하여 추정됩니다. 다음으로, 손실 함수를 최소화하기 위해 시냅스 연결 행렬이 변경됩니다(일반적으로 경사 하강법에 의해). 따라서 신경망은 추가, 비선형 및 비모수 회귀 모델에 기인할 수 있습니다.
쌀. 단순 단계, 비대칭 및 대칭 S자 활성화 함수.
신경망의 효율성은 다음 세 가지 속성에 대한 가중치 평가입니다. 수렴의 정도 - 모델이 주어진 입력 값에 적응한 정확도; 일반화 정도(일반화) - 모델이 제공된 것 이상으로 입력 세트에서 작동하는 정확도. 안정성 - 예측 정확도의 분산(편차) 측정. 위에 나열된 신경망의 속성은 다음 절차의 영향을 받을 수 있습니다. 적절한 활성화 함수 선택 적절한 손실 함수 선택 네트워크 아키텍처(구조) 선택 경사하강법을 위한 매개변수 선택 훈련의 타이밍 기술적 분석에서 신경 공학을 사용하는 예 신경 훈련의 주요 목표는 관찰된 구조물 사이에 연결(연관)을 구축하는 것입니다. 신경망은 여러 기술 지표에서 오는 신호에 대한 의사 결정 단계에서 유용합니다. 다양한 기술 지표는 다양한 시장 상황에서 유효합니다. 앞서 말했듯이 추세 추종 지표는 추세가 있을 때 효과적이며 오실레이터는 시장이 변동할 때 유용합니다.
간단한 예(A.-P. Refenes, A.Zaidi)를 사용하여 이 경우 신경망을 사용할 수 있는 방법을 보여 드리겠습니다. 작업을 다음과 같이 가정합니다. 두 전략의 조합을 기반으로 혼합 전략을 찾는 것입니다. 각 전략은 이동 평균(MA) 및 평균 값으로부터의 편차(MV)라는 두 가지 간단한 지표의 신호를 기반으로 합니다.
MA는 평균 주기가 다른 두 이동 평균을 비교하고 빠른 MA가 아래에서 느린 MA를 교차할 때 매수 신호를 제공하고 위에서 교차할 때 매도 신호를 제공하는 간단한 지표입니다.
MV는 가격이 평균값보다 높을 때 매도 신호를 주고 그렇지 않으면 매수 신호를 보내는 간단한 지표입니다.
시스템의 구조는 그림 1에 나와 있습니다. 91.
시스템은 지표 신호(0 - 숏 포지션, 1 - 롱 포지션) 및 최근 2일 동안의 지표 효과(손익)에 대한 정보와 현재 시장 정보를 수신합니다. 출력은 세 가지 신호입니다.
MA: MA 표시기의 권장 사항을 따르십시오.
MV: MV 표시기의 권장 사항을 따릅니다.
NP: 아무것도 하지 않는다
각 출력은 0과 1 사이의 값을 취합니다.
쌀. 두 지표 분석을 위한 신경망 다이어그램.
MA 및 MV 신호가 모두 ON(0.5보다 큰 값)이면 가장 높은 값을 가진 신호의 권장 사항이 선택되고 NP가 ON이면 아무 작업도 수행되지 않습니다.
이 신경망 사용 예에는 사용 예가 있습니다. ..... 그리고 이것이 당신에게 의미하는 바는 무엇입니까?
실제로 2차 Butterout LPF(빨간색 선)는 신경망 필터에 비해 약간 더 나쁜 결과를 보여줍니다. 그건 그렇고, 코드에서 NS는 어디에 있으며 왜 자녀가 다시 그리나요? 이것은 수사학적 질문입니다. 다시 그릴 때 우리가 역사에서 보는 것이 현실과 일치하지 않기 때문에 실제 질문이 발생합니다. 실제로 존재하지 않는 것을 왜 우리에게 보여주고 있습니까?
전체 공식은 서로 다른 매개변수로 훈련된 여러 네트워크의 합집합이며 서로에 대한 가중치 계수가 있는 하나의 다항식으로 축소됩니다.
전체 다항식의 재계산은 각 틱에서 발생합니다. 히스토리는 변경되지 않고 0 막대의 따옴표만 변경되고 변경되면 0 막대의 재계산 결과도 변경되고 나머지 막대의 계산 결과는 변경되지 않은 상태로 유지됩니다. 다시 그리기가 없습니다.
어쨌든 개선 가능성이 크며 부드러움을 크게 높이고 추가 신호를 도입하는 것이 가능합니다.
부드러움 - 기술 용어로 고주파 성분 차단
현재 버전에서 유용한 신호의 최대 주파수에서 한 옥타브 높은 주파수까지의 거리에서 몇 데시벨의 감쇠를 달성할 수 있습니까?
Butterout 저역 통과 필터를 어디서 구할 수 있는지 알려주실 수 있습니까?
예, 부탁합니다!
K는 필터의 차수입니다. 2 이상으로 설정하지 않는 것이 좋습니다. FZ가 크게 증가합니다.
zfs писал(а) >>
В чем смысл вашего индикатора, товарищ... он напоминает обычную среднюю.
그리고 정말 요점은 무엇입니까!? 예를 들어 설명하십시오. ....지표가 일반 평균과 유사하기 때문에 .......
신경망은 인간 뇌 뉴런의 작동 원리를 모델링하는 요소를 기반으로 구축된 자가 학습 시스템입니다.
![](https://c.mql5.com/mql4/forum/2009/04/r88.gif)
![](https://c.mql5.com/mql4/forum/2009/04/r89.gif)
McCulloch-Pitts 뉴런의 모델은 몸체(체체)와 과정(축삭)으로 구성되며, 그 끝은 다른 뉴런의 몸체와 연결됩니다. 접합부를 시냅스라고 합니다. 시냅스는 시냅스 연결 w의 강도가 특징입니다. 뉴런 i에 연결 강도가 wi1, ..., win인 시냅스가 있으면 다른 뉴런(Sj)에서 이를 통해 오는 충동이 합산되어 출력이 제공됩니다.
뉴런 모델.
신경망의 활성화 함수(전이 함수) f()는 일반적으로 단순 단계 함수, 대칭 또는 비대칭 S자형 함수 또는 선형 단계 함수(그림 참조)로 선택됩니다.
쌀. 단순 단계, 비대칭 및 대칭 S자 활성화 함수.
i번째에 있는 j번째 뉴런의 연결 강도인 wij를 표시하면 n개의 뉴런으로 구성된 신경망은 시냅스 연결 매트릭스에 의해 완전히 특성화됩니다.
일반적으로 가장 단순한 신경망, 이른바 계층화된 신경망이 사용됩니다. 각 층의 뉴런의 입력은 이전 뉴런의 출력에만 연결됩니다. 첫 번째 레이어는 입력, 마지막 레이어는 출력, 나머지는 은닉(내부) 레이어입니다. 이러한 신경망 지정의 예: 4 - 8 - 5 - 3. 이는 신경망이 4개의 레이어로 구성됨을 의미합니다. 입력 레이어에는 4개의 뉴런, 출력 레이어에는 8개, 두 개의 숨겨진 레이어.
신경망의 관리(훈련)는 행렬 W에서 시냅스 연결의 강도를 변경하여 수행됩니다. 신경망은 자가 학습 시스템으로 사용하거나 특별히 선택된 예제에 미리 구성할 수 있습니다. 교사). 주어진 입력 신호 세트에 대해 신경망을 조정할 때 네트워크는 샘플과 비교되는 출력 신호를 생성하며, 샘플과의 편차는 특별히 선택된 손실 함수(예: 표준 편차와 같음)를 사용하여 추정됩니다. 다음으로, 손실 함수를 최소화하기 위해 시냅스 연결 행렬이 변경됩니다(일반적으로 경사 하강법에 의해). 따라서 신경망은 추가, 비선형 및 비모수 회귀 모델에 기인할 수 있습니다.
쌀. 단순 단계, 비대칭 및 대칭 S자 활성화 함수.
![](https://c.mql5.com/mql4/forum/2009/04/r91.gif)
신경망의 효율성은 다음 세 가지 속성에 대한 가중치 평가입니다.
수렴의 정도 - 모델이 주어진 입력 값에 적응한 정확도;
일반화 정도(일반화) - 모델이 제공된 것 이상으로 입력 세트에서 작동하는 정확도.
안정성 - 예측 정확도의 분산(편차) 측정.
위에 나열된 신경망의 속성은 다음 절차의 영향을 받을 수 있습니다.
적절한 활성화 함수 선택
적절한 손실 함수 선택
네트워크 아키텍처(구조) 선택
경사하강법을 위한 매개변수 선택
훈련의 타이밍 기술적 분석에서 신경 공학을 사용하는 예 신경 훈련의 주요 목표는 관찰된 구조물 사이에 연결(연관)을 구축하는 것입니다. 신경망은 여러 기술 지표에서 오는 신호에 대한 의사 결정 단계에서 유용합니다. 다양한 기술 지표는 다양한 시장 상황에서 유효합니다. 앞서 말했듯이 추세 추종 지표는 추세가 있을 때 효과적이며 오실레이터는 시장이 변동할 때 유용합니다.
간단한 예(A.-P. Refenes, A.Zaidi)를 사용하여 이 경우 신경망을 사용할 수 있는 방법을 보여 드리겠습니다. 작업을 다음과 같이 가정합니다. 두 전략의 조합을 기반으로 혼합 전략을 찾는 것입니다. 각 전략은 이동 평균(MA) 및 평균 값으로부터의 편차(MV)라는 두 가지 간단한 지표의 신호를 기반으로 합니다.
MA는 평균 주기가 다른 두 이동 평균을 비교하고 빠른 MA가 아래에서 느린 MA를 교차할 때 매수 신호를 제공하고 위에서 교차할 때 매도 신호를 제공하는 간단한 지표입니다.
MV는 가격이 평균값보다 높을 때 매도 신호를 주고 그렇지 않으면 매수 신호를 보내는 간단한 지표입니다.
시스템의 구조는 그림 1에 나와 있습니다. 91.
시스템은 지표 신호(0 - 숏 포지션, 1 - 롱 포지션) 및 최근 2일 동안의 지표 효과(손익)에 대한 정보와 현재 시장 정보를 수신합니다.
출력은 세 가지 신호입니다.
MA: MA 표시기의 권장 사항을 따르십시오.
MV: MV 표시기의 권장 사항을 따릅니다.
NP: 아무것도 하지 않는다
각 출력은 0과 1 사이의 값을 취합니다.
쌀. 두 지표 분석을 위한 신경망 다이어그램.
MA 및 MV 신호가 모두 ON(0.5보다 큰 값)이면 가장 높은 값을 가진 신호의 권장 사항이 선택되고 NP가 ON이면 아무 작업도 수행되지 않습니다.
이 신경망 사용 예에는 사용 예가 있습니다. ..... 그리고 이것이 당신에게 의미하는 바는 무엇입니까?
버터워스 아닌가요?
실제로 2차 Butterout LPF(빨간색 선)는 신경망 필터에 비해 약간 더 나쁜 결과를 보여줍니다. 그건 그렇고, 코드에서 NS는 어디에 있으며 왜 자녀가 다시 그리나요? 이것은 수사학적 질문입니다. 다시 그릴 때 우리가 역사에서 보는 것이 현실과 일치하지 않기 때문에 실제 질문이 발생합니다. 실제로 존재하지 않는 것을 왜 우리에게 보여주고 있습니까?
전체 공식은 서로 다른 매개변수로 훈련된 여러 네트워크의 합집합이며 서로에 대한 가중치 계수가 있는 하나의 다항식으로 축소됩니다.
전체 다항식의 재계산은 각 틱에서 발생합니다. 히스토리는 변경되지 않고 0 막대의 따옴표만 변경되고 변경되면 0 막대의 재계산 결과도 변경되고 나머지 막대의 계산 결과는 변경되지 않은 상태로 유지됩니다. 다시 그리기가 없습니다.
부드러움 - 기술 용어로 고주파 성분 차단
현재 버전에서 유용한 신호의 최대 주파수에서 한 옥타브 높은 주파수까지의 거리에서 몇 데시벨의 감쇠를 달성할 수 있습니까?
나는 이것을 테스트하지 않았다.
이 신경망 사용 예에는 사용 예가 있습니다. ..... 그리고 이것이 당신에게 의미하는 바는 무엇입니까?
나는 신경망을 필터로 사용합니다. 이것은 당신이 설명한 것과는 약간 다른 작업입니다.
나는 그것을 확인하지 않았다.
항상 이대로 .. all by eye
나는 신경망을 필터로 사용합니다. 이것은 당신이 설명한 것과는 약간 다른 작업입니다.
디지털 필터에 대한 몇 가지 계수가 있습니다. 사실, 이것은 모든 디지털 필터와 마찬가지로 말도 안되는 계수를 가진 MA입니다. 그에게 정확히 무엇을 원했습니까? 무엇을 필터링하고 변경 사항에 얼마나 빨리 대응하고 싶습니까?
그리고 그것을 최적화하는 방법은 무엇입니까?
무한님 , 설명 감사합니다. 매우 간단하고 이해하기 쉽고 논리적입니다.
나는 신경망 이 무엇인지 이해하고 이 지표보다 예제에서 더 의미를 알 수 있습니다.
입력에서 모호한 계수 무리. 출력은 평균입니다. 따라서 exp에 대해서도 의미가 없습니다.