![MQL5 - Linguagem para estratégias de negociação inseridas no terminal do cliente MetaTrader 5](https://c.mql5.com/i/registerlandings/logo-2.png)
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
Outra coisa que podemos discutir é o número ideal de sinapses na NS. A partir de considerações gerais, é claro que não deve haver muitos, caso contrário, a NS irá desaprender demais. Mas também não devem ser poucos, caso contrário, a rede estará subformada. Na literatura encontrei diferentes opiniões sobre este assunto, por isso quero saber a opinião dos estimados usuários do fórum.
O número de sinapses afeta fortemente a capacidade de ensino de uma rede. Eu tentei várias vezes desenvolver um método de treinamento que leva em conta a topologia da rede, mas falhei.
OK, mas eu gostaria de uma teoria.
Aqui está o raciocínio em voz alta. Para uma única camada NS com número de entradas N, temos N sinapses cujos pesos determinam exclusivamente o sistema N no caso geral de equações não lineares. É claro que para resolver tal sistema precisamos de uma amostra de treinamento de vetores N, cada um consistindo de N elementos. Neste caso, não funciona de outra forma. Com duas camadas NS, o número de entradas deve ser menor que o número total de vetores de treinamento N por n, onde n é o número de sinapses na segunda camada, de modo que o comprimento dos vetores de treinamento tem comprimento N-n.
Para um NS de 3 camadas, a ordem de raciocínio é a mesma.
Assim:
1. procedemos da profundidade de imersão que precisamos e determinamos a dimensionalidade da entrada NS.
2. Depois, considerando a arquitetura (número de camadas) do NS, contamos o número de sinapses e obtemos o tamanho ideal da amostra de treinamento.
Uma das coisas mais importantes (na minha opinião) é a preparação de dados, para fazer isso
1. Tente reduzir a correlação dos insumos. Em outras palavras, as entradas devem ser o mais estatisticamente independentes possível.
2. Na normalização dos vetores de entrada, é necessário obter um aumento da entropia - aumentando assim a quantidade de informações submetidas à NS na preservação do mesmo volume dos dados de entrada.
Verificação obrigatória da qualidade dos dados, por exemplo, pelo método Kolmogorov-Smirnov ou/e com o expoente Hurst.
A seleção da arquitetura da rede pode reduzir o erro.
O branqueamento e a normalização dos insumos é auto-explicativo. É elementar. Mas como determinar o número ideal de entradas (profundidade de imersão)? É possível fazer isso apenas experimentalmente? Há algumas considerações sobre este assunto. Posso mostrar que existe um ótimo local no número de entradas. Eles não devem ser poucos, mas também não devem ser muitos. Como regra, o ideal são 3-5 entradas. O que a teoria tem a dizer a esse respeito?
O branqueamento e a normalização dos insumos é auto-explicativo. É elementar. Mas como determinar o número ideal de entradas (profundidade de imersão)? É possível fazer isso apenas experimentalmente? Há algumas considerações sobre este assunto. Posso mostrar que existe um ótimo local no número de entradas. Eles não devem ser poucos, mas também não devem ser muitos. Como regra, o ideal são 3-5 entradas. O que a teoria tem a dizer a esse respeito?
A teoria diz - apenas por intuição, ou seja, experimentalmente. O principal é a informatividade.
O que você está dizendo é triste.
O tamanho do problema (globalmente), infelizmente, não permite uma resposta satisfatória para a questão dos parâmetros ótimos de NS em um tempo razoável. Devemos incluir o intelecto e dar à luz critérios?
Em geral, o trabalho da rede é fascinante! Apenas para uma experiência eu joguei uma rede pequena (de uma camada) com quatro entradas e nenhuma não-linearidade na saída.
Eu coloco carrapatos em sua entrada e a reciclo a cada tique e faço previsões com um tique de antecedência. Oh, cara, está fazendo previsões! Na foto, vermelho é o ticker, azul é a previsão.
É claro que entendo que a série selecionada para a previsão é tão simples quanto dois dedos no pavimento, mas a rede é elementar.
Eu trabalho na NeuroSolutions, e há uma opção para dimensionar a rede e a profundidade de mergulho
Melhor para ICQ (ver perfil)
Dobrovo vam vremia sutok i izvinite za translit.
Ja nacinajuscij treider, no s bolsim bagazom programirovanija. U menia vopros vam, otnositelno neironnix setej.
Procitav ves fórum tópico, mne bolee menee jasno kemu vse klonitsia ispolzuja neironnije seti, i potomu voprosi, dumju, bolee konkretnije.
Dannije
1. existem sinais kucia com odinakovim cislom parametrov na konkretnij slucaj. - eto kak bi vxod neiroseti
2. existe um rezultat - is serii xoroso/ploxo
Itak - é possível, ispolzuja neiroset poluchit poluchit otvet neiroseti v buduscem po etoj modeli - novije dannije - otvet - xoroso ou ploxo? Kakije trudnosti obucenija NN vozmozni v etoj esquema?
Udovovletvoriajj menia rezultat b b b virozenije silije v nabore signalov s raznimi parametrovi (slaboje ili silnoje) v konkretnom sluchai.