NN için giriş değerleri nasıl doğru bir şekilde oluşturulur. - sayfa 11

 
LeoV писал (а) >>

Giriş değerleri de kolay bir soru değil. Ağ girişine ne uygulanacağı birçok faktöre bağlıdır -

1. Ne tür bir sinir ağı kullanılır.

2. Sinir ağından ne elde etmek istiyoruz - fiyat veya hareket yönü veya geri dönüş noktaları veya bir sonraki mum veya başka bir şey.

Bu nedenle öncelikle bu konulara karar vermeli, ardından girdilerle sorunu çözmelisiniz.

Şimdilik sadece iki ağdan bahsetmeyi öneriyorum.

1. Kohonen ağı

2. MLP


Gerisini sonraya bırakırız.
 

1. Sinir ağı 4-5 katman sıradan (halkalar, yıldızlar ve başka bir şey olmadan doğrudan yayılma).

2. Sinir ağından bir baloncuk elde etmek istiyoruz ... oh hayır. İlk olarak, hareketin yönünü ve mümkünse gücünün bir tahminini (pip cinsinden) almak istiyoruz.

Şimdiye kadar, benim için (kavramlarıma göre), sinir ağı bir tahmin edici olmaya devam ediyor. Yani aslında girdi değişkenleri ile çıktı değişkenleri arasında işlevsel bir ilişki ifade etmeye çalışıyorum. Ve dolayısıyla girdiler hakkındaki düşüncelerim. Çok karmaşık olmamalılar ve sonuç olarak çok fazla şey istememeliyiz.Net, basit ile basit arasında bağlantı kurmaya çalışmaktır. Çıktılar ile, az çok nettir (yön, yükseklik), ancak girişte ne olduğu. Üçüncü gün için kafamı kaşıyorum. Giriş sinyalini her zaman sabit bir aralıkta olacak şekilde işlemenin bir yolunu bulamamak çok sinir bozucu. Çünkü toplam örneğin maksimumuna normalize edersek, gelecekte ağın bilemeyeceği daha yüksek bir değerin ortaya çıkma olasılığı her zaman vardır ve bu durumda ne olacağını bilmiyorum. Tabii ki, sinüsler veya aynı sigmoid gibi girdileri işlemek için seçenekler var, ancak bunların hepsi bana yanlış geliyor, çünkü ben doğrusal sıkıştırma istiyorum.

Çıktı için muhtemelen hiperbolik bağımlılığı kullanacağım. (Yukarı-Dn)/(Yukarı+Dn). Türkiye dahildir.

Dosyalar:
_target.mq4  2 kb
 
TheXpert писал (а) >>

Şimdilik sadece iki ağdan bahsetmeyi öneriyorum.

1. Kohonen ağı

2. MLP


MLP-Çok Katmanlı Algılayıcı nedir?

Kohonen karashto'dur. Ama muhtemelen ikinci kez. Her ne kadar ... neyi ve nerede olduğunu anlamak normal olurdu.

Bu arada, Kohonen öğretmensiz öğreniyor, değil mi?

 
sergeev писал (а) >>

MLP-Çok Katmanlı Algılayıcı nedir?

Evet

Bu arada, Kohonen öğretmensiz öğreniyor, değil mi?

Orijinal versiyonda, evet. Ancak denetimli Kohonen adı verilen bir değişiklik var, bu durumda her model için kazananı kendimiz seçiyoruz.

 
Peki ya girişler? Kimin hangi ağları ve girdileri var?
 
sergeev писал (а) >>

2. Sinir ağından bir baloncuk elde etmek istiyoruz... oh hayır. İlk olarak, hareketin yönünü ve mümkünse gücünün bir tahminini (pip cinsinden) almak istiyoruz.

Yapmamak daha iyidir, sadece yön yeterlidir. Mümkünse, kuvvet üste vidalanabilir.

Şimdiye kadar, benim için (kavramlarıma göre), sinir ağı bir tahmin edici olmaya devam ediyor.

Öyle.

Yani aslında girdi değişkenleri ile çıktı değişkenleri arasında işlevsel bir ilişki ifade etmeye çalışıyorum. Ve dolayısıyla girdiler hakkındaki düşüncelerim. Çok karmaşık olmamalılar ve sonuç olarak çok fazla şey istememeliyiz.Net, basit ile basit arasında bağlantı kurmaya çalışmaktır. Çıktılar ile, az çok nettir (yön, yükseklik), ancak girişte ne olduğu. Üçüncü gün için kafamı kaşıyorum. Giriş sinyalini her zaman sabit bir aralıkta olacak şekilde işlemenin bir yolunu bulamamak çok sinir bozucu.

MACD

Tabii ki, sinüsler veya aynı sigmoid gibi girdileri işlemek için seçenekler var, ancak bunların hepsi bana yanlış geliyor, çünkü ben doğrusal sıkıştırma istiyorum.

Burada. Görev sıkıştırmak değil, bölmek, bu yüzden doğrusal sıkıştırma olmayacak, XOR'un bile bölemeyeceği doğrusal bölme olacak.

Bu nedenle, doğrusal olmayanlık mevcut olmalıdır. Herhangi bir n-katmanlı lineer algılayıcının 2-katmanlı bir analoga - giriş -> çıkışa dönüştürülebileceğine dair bir teorem vardır.

Yani lineer algılayıcı fırındadır.

 
sergeev писал (а) >>
Peki ya girişler? Kimin hangi ağları ve girdileri var?

Sınırlı osilatörler uygulamaya çalışıyorum ama sonuçlar cennet gibi. Herhangi bir sonuca varmak için çok çalışmanız gerekir.

 
TheXpert писал (а) >>

MACD

maksimum güncellemeye sahip olabilir.

Burada. Görev sıkıştırmak değil, bölmek, bu yüzden doğrusal sıkıştırma olmayacak, XOR'un bile bölemeyeceği doğrusal bölme olacak.

Bu nedenle, doğrusal olmama durumu mevcut olmalıdır. Herhangi bir n-katmanlı lineer algılayıcının 2-katmanlı bir analoga - giriş -> çıkışa dönüştürülebileceğine dair bir teorem vardır.

Bu, çıkış sinyallerinin doğrusal olmama durumunu ifade eder. Giriş verilerinin ağa beslenmeden önce doğrusal olarak sıkıştırılması. Tüm orpaçların verilerine dayalı olarak [0, 1] aralığına sıkıştırma. Doğrusal olmayan bir fonksiyon tarafından aralığa bir dönüşüm varsa, o zaman aralarında hiçbir fark olmayacak olan büyük değerler için doygunluk elde ederiz. Bu da tekrar olacağı ve dolayısıyla tutarsızlık olacağı anlamına gelir. Sıkıştırma bir şekilde doğrusal olarak yapılmalıdır. Ama nasıl, böylece gelecekte maksimum kalır. (Mosk tıslar)?

 
sergeev писал (а) >>

maksimum güncellemeye sahip olabilir.

Evet, elbette, ama benim için iyi bir seçenek.

Bu, çıkış sinyallerinin doğrusal olmama durumunu ifade eder. Giriş verilerinin ağa beslenmeden önce doğrusal olarak sıkıştırılması. Tüm orpaçların verilerine dayalı olarak [0, 1] aralığına sıkıştırma.

Anladım.

 
sergeev писал (а) >>

Doğrusal olmayan bir fonksiyon tarafından aralığa bir dönüşüm varsa, o zaman aralarında hiçbir fark olmayacak olan büyük değerler için doygunluk elde ederiz. Bu da tekrar olacağı ve dolayısıyla tutarsızlık olacağı anlamına gelir. Sıkıştırma bir şekilde doğrusal olarak yapılmalıdır. Ama nasıl, böylece gelecekte maksimum kalır. (Mosk tıslar)?


Bunun için dekorelasyon ve benzerini kullanacağız%)