"New Neural", MetaTrader 5 platformu için bir sinir ağı motorunun Açık Kaynak projesidir. - sayfa 36
Alım-satım fırsatlarını kaçırıyorsunuz:
- Ücretsiz alım-satım uygulamaları
- İşlem kopyalama için 8.000'den fazla sinyal
- Finansal piyasaları keşfetmek için ekonomik haberler
Kayıt
Giriş yap
Gizlilik ve Veri Koruma Politikasını ve MQL5.com Kullanım Şartlarını kabul edersiniz
Hesabınız yoksa, lütfen kaydolun
EMNIP, cognitron benzer bir şeydir.
Devamını sabırsızlıkla bekliyorum :)
hakkında bilgi gerekiyor
- Eşlenik gradyan inişi
-BFGS
Şimdi fiyat kalıplarını analiz etmek için sinir ağları kurma fikrimi sunmaya çalışacağım. 2. ve 3. derslerimi okuyanlar hemen anlayacaktır. Buradaki nokta, fiyat modellerini Al, Sat veya Tut olarak sınıflandırmaktır. Belirli bir süre için fiyat (diyelim ki 100 bar) basit bir S1 nöron katmanı tarafından filtrelenir. Bu nöronların girdi ağırlıkları, filtrelerin dürtü yanıtlarını tanımlar. Görsel korteks örneğinde, bu ağırlıklar, iki boyutlu görüntü uzayında değişen eğim ve uzunluktaki düz çizgi parçalarını tanımladı. Alıntılarda ayrıca iki boyutlu bir alanımız var: zaman ve fiyat. Bizim durumumuzda filtrelerin S1 ağırlıklarının da iki olası eğimin zaman-fiyat uzayında düz segmentleri tanımladığı varsayılabilir: yukarı ve aşağı. Eğim açısı, her filtrenin uzunluğuna bağlıdır. Bu uzunluklar önceden seçilebilir, örneğin 4, 8, 16, 32 bar. Her filtre, tüm değerlerin toplamı sıfır ve karelerin toplamı 1 (veya başka bir normalleştirme) olacak şekilde normalize edilmiş düz bir çizgidir. Bir sonraki katmanda, buna S2 diyelim, S1 katmanının segmentlerinden daha karmaşık desenler oluşturulur ve bu böyle devam eder. Bu çok katmanlı teklif dönüşümünün çıktısında, mevcut kalıbı açıklayan bir dijital kodumuz var ve birbirine benzer, ancak zaman ve fiyat olarak farklı şekilde gerilmiş kalıpların kodları aynıdır. Bu kodlar, geçmiş modellerde Satın Alma, Satış veya Tutma koşullarını belirlemek için önceden eğitilmiş olan Destek Vektör Makinesinin (SVM) girişlerine beslenir. Buradaki problem, S1, S2 vb. katmanlardaki filtrelerin şeklini belirlemektir. Basitlik için düz çizgi parçalarını ve bunların kombinasyonlarını seçtim. Bu arada, HMAX görsel korteks modelinde, biyolojik deneylere dayalı olarak tüm uzaysal filtre biçimleri önceden seçilmiştir. Bu filtreleri otomatik olarak tespit etmek için bir algoritma bulmamız gerekiyor. Bu tür algoritmalar zaten görsel katman V1 için geliştirilmiştir (von der Malsburg, Linsker, Miller, LISSOM, Olshausen). Onları fiyat modeli sınıflandırma problemimiz için ödünç alabiliriz.
Bir zamanlar, doğrudan yayılma ağlarının neredeyse tüm eğitim yöntemlerini ayrıntılı olarak inceledi. Gradyan inişlerinden Levenberg-Marquardt yönteminin en iyisi olduğundan eminim ( https://en.wikipedia.org/wiki/Levenberg%E2%80%93Marquardt_algorithm ). Her zaman herhangi bir BACKPROP ve RPROP'tan daha iyi bir minimum ve hatta daha hızlı bulur. BPNN'de (bazı RPROP'larda) yayınladığım şey, LM'ye kıyasla çocuk oyuncağı. BFGS daha fazla zaman alır ve sonuç LM'den daha iyi değildir.
Kabul ediyorum! Örneğin, NeuroSolutions'da, Levenberg-Marcadt yöntemi, diğer yöntemlerin yerel minimumda olduğu yerde yakınsar,
ancak, LM hesaplama açısından yoğundur. Bir geçiş daha zamanı
...
Her filtre, tüm değerlerin toplamı sıfır ve karelerin toplamı 1 (veya başka bir normalleştirme) olacak şekilde normalize edilmiş düz bir çizgidir.
...
Şu anda hiçbir kanıtım yok ama sezgilerim bana bu ikili koşulun çelişkili olduğunu söylüyor.
toplam 0 ve karelerin toplamı 1
çok dar sayıda seçenek için yürütülecektir. Eğer yanılıyorsam yudum.
Şu anda hiçbir kanıtım yok ama sezgilerim bana bu ikili koşulun çelişkili olduğunu söylüyor.
toplam 0 ve karelerin toplamı 1
çok dar sayıda seçenek için yürütülecektir. Eğer yanılıyorsam yudum.
Açık. Ama NN'ye bağlı. Daha çok bağlanacak.
Korkarım "AWVREMGVTW NN " gibi bir şey yürümeyecek :), asıl mesele özü iletmek, nüanslar o kadar önemli değil.
Meta Nöro Motor (MEB)
Meta EngiNeuro (ERKEK) (c)
Mühendisleri kastettik :)