O "New Neural" é um projecto de motor de rede neural Open Source para a plataforma MetaTrader 5. - página 76
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Provavelmente uma pergunta parva.
É possível classificar vectores cuja dimensionalidade não é igual a N com um mapa Kohonen sintonizado com um vector de dimensão N. Basicamente uma pessoa classificará uma esfera com um círculo, um quadrado com um cubo, uma pirâmide com um triângulo em uma classe. Espero que a ideia seja clara.
Provavelmente uma pergunta parva.
É possível classificar vectores cuja dimensionalidade não é igual a N com um mapa Kohonen sintonizado com um vector de dimensão N. Basicamente uma pessoa classificará uma esfera com um círculo, um quadrado com um cubo, uma pirâmide com um triângulo em uma classe. Espero que a ideia seja clara.
Não, a ideia não é clara. Uma pessoa lê informações em vídeo com a mesma matriz de entradas. Receptores no olho não se tornam nem mais nem menos.
Você está propondo dar vetores de diferentes dimensões, como você pode esperar que a grade responda adequadamente ????
Provavelmente uma pergunta parva.
É possível classificar vectores cuja dimensionalidade não é igual a N com um mapa Kohonen sintonizado com um vector de dimensão N. Basicamente uma pessoa classificará uma esfera com um círculo, um quadrado com um cubo, uma pirâmide com um triângulo em uma classe. Espero que a ideia seja clara.
Se você olhar para o cone de baixo, é um círculo e, de lado, é um triângulo.
O cilindro também pode ser girado
Se você olhar para o cone de baixo, é um círculo, mas de lado é um triângulo.
Um cilindro também pode ser torcido
Desculpa, sou novo nos neurogames, por isso esta pode ser uma pergunta parva.
Existe um conjunto de vectores X1,X2 . X1={x1,x2,x3,} . E x1>> x3 , x2>>x3 . Depois, verifica-se que no espaço estes dois vectores estarão próximos. Embora x3 descreva a característica mais importante. Para nossos carneiros x1=média do período, x2=periodo PSY, x3=dispersão, x4=componente de tendência. Então, neste caso, a classificação será baseada principalmente em x1 e x2 . Como evitar esta situação ou estou a abrandar de novo intensivamente.
Desculpa, sou novo nos neurogames, por isso esta pode ser uma pergunta parva.
Existe um conjunto de vectores X1,X2 . X1={x1,x2,x3,} . E x1>> x3 , x2>>x3 . Depois, verifica-se que no espaço estes dois vectores estarão próximos. Embora x3 descreva a característica mais importante. Para nossos carneiros x1=média do período, x2=periodo PSY, x3=dispersão, x4=componente de tendência. Então, neste caso, a classificação será baseada principalmente em x1 e x2 . Como evitar tal situação ou estou a abrandar de novo intensivamente.
Você pode dar um exemplo concreto e definir uma tarefa específica?
Dessa forma é mais fácil entender o ponto
Você pode dar um exemplo concreto e estabelecer um objetivo específico?
É mais fácil de entender a pergunta.
A tarefa é escolher um vector que dividisse o mercado em clusters: Tendência para cima, Tendência para baixo, Tendência para o leste.
Por exemplo, vamos formar um conjunto de vectores de acordo com a nossa fantasia X{x1,x2,x3,x4,x4,x5,x6,x7}.
x1= período MA
x2= período de Mestrado
x3= valor de MA
x4= valor do RAR
x5=dispersão, por exemplo
x6= componente de tendência de MA(N)-MA(N-1)
x7= número de intersecções de MA e preço
Se agruparmos a matriz desses vetores usando o mapa Kohonen, veremos vetores próximos. Acontece que a maior influência nas distâncias euclidianas será x1,x2,x4,x7. Embora as características x3,x5,x6 não sejam menos, se não mais importantes. Podemos normalizar todos os x's no intervalo -1...1, mas não consigo ver como. Ou você pode levar as características do mercado perto de seus valores, neste caso temos uma comparação de moscas com costeletas.
A tarefa é encontrar um vetor que dividisse o mercado em clusters de Tendência para cima, Tendência para baixo, Tendência para o leste.
Por exemplo, vamos formar um conjunto de vectores de acordo com a nossa fantasia X{x1,x2,x3,x4,x4,x5,x6,x7}.
x1= período MA
x2= período de Mestrado
x3= valor de MA
x4= valor do RAR
x5=dispersão, por exemplo
x6= componente de tendência de MA(N)-MA(N-1)
x7= número de intersecções de MA e preço
Se agruparmos a matriz desses vetores usando o mapa Kohonen, veremos vetores próximos. Acontece que x1,x2,x4,x7 irão influenciar mais as distâncias euclidianas. Embora as características x3,x5,x6 não sejam menos, se não mais importantes. Podemos normalizar todos os x's no intervalo -1...1, mas não consigo ver como. Ou se tomarmos as características do mercado próximas aos seus valores, então obtemos uma comparação de moscas com costeletas.
Cavalos, pessoas misturadas... O período de MA, o valor de MA...
Se você tentar usar programas prontos e sua ajuda, você pode tentar entender os problemas primeiro.
Dedutor, NS2
Cavalos, homens... Período de Mestrado, valor de Mestrado
Talvez você devesse tentar usar programas prontos e sua ajuda primeiro, para entrar no problema?
Dedutor, NS2.
Eu concordo que o exemplo não é bem assim. Nós agrupamos cavalos velhos e jovens jogadores de basquete de acordo com sua altura, peso, idade. Peso=1/peso real . Se estamos a lidar com uma situação em que a altura e a idade são as mesmas mas o peso é muito inferior à altura e à idade (estamos a comparar moscas com costeletas). Acontece que o peso não tem quase nenhuma influência no vector e o jogador de basquetebol é indistinguível do cavalo.