Библиотека компонентов , предназначена для программной реализации нейронных сетей. В качестве примера, созданы компоненты реализующие две нейросетевые парадигмы: рекуррентную нейронную сеть, в нашем случае – это сеть Хопфилда и многослойную нейронную сеть обучаемую по алгоритму обратного распространения ошибки (back propagation). Основным...
它必须是可以编码的东西。我们仍在等待项目管理员来讨论实施计划。
事实上，选项是在同一个sorsforge上注册并开始...
但可能最好是等待梅塔克沃特人提出合适的环境。
顺便说一下，考虑并联也不是一个坏主意。只是我不知道该如何实施。
顺便说一下，考虑到平行的问题是很好的。只是我不知道如何实现它。
安德鲁，我检查了你关于递归的信息，你是对的，递归的速度要慢1.5倍，而且深度有限，所以循环毫不含糊地赢了。
不要担心并行问题，在有图形处理器的API之前，这不值得一提，神经网络是太简单的任务，在核心之间并行（线程调用需要数百个时钟周期）。
除非MQ至少会给我们提供神经网络的API，但这需要通用网络的形式化。因此，首先是一个项目，然后敲敲门，给我一个GPU的API。
我对第5页 的代码做了一个解释性的图片。
黄色的 是链接的存储单元（更准确地说，它们是同一个存储单元，只是指的是不同的存储对象）。
其他的，记忆对象的 关联，红色的 下一个，绿色的 上一个，蓝色的 一边。
箭头的方向表示指针传递的方向。
延迟运算器存储器的零单元被用作输出存储器单元。
记忆体的链接顺序是相反的，因为一个输入只有一个输出（从它那里接收数据），而不是相反。
那么可能直觉上很清楚，圆圈是输入，方块是权重，三角形是延迟运算器（零运算单元Z神经元输出）。
ZZZY 这个计划是最终的，我不会再改变它了 :o)
1.伊姆哈，最重要的是专门从事交易，在这里，将输入数据的预处理系统化 很重要。离散信号（例如，突破某个极值或一段时间内的价格变化超过某个阈值）和连续信号（例如，2个轮子之间的距离或一段时间内的价格变化）都应该被输入。当然，NS可以从连续的学习中获得离散的学习，但这样就进入了黑箱状态，而且并不总是需要。一般来说，对于输入，我们需要一个单独的类，其中价格-动作计算将由一个虚拟方法定义，用户可以从已经写好的方法中选择，或者自己写。
2.标准的EA在本质上与初级价格行动信号和布尔代数与之相同（和/或/不）。因此，标准的EA也可以用一定拓扑结构的NS和设置权重的形式来描述。也许一个好的选择--将标准的EA自动转换为NS（这很难做到:）），或者至少允许使用布尔逻辑模式设计 NS。为了给创建一个合乎逻辑的，从贸易的角度来看，NS的起点，但不只是一组具有一定拓扑结构的层。
而且还要在构建的NS中加入布尔代数的元素。例如，我们建立了一个CS，我们想检查一个简单的过滤器对它的影响，例如，当价格高于МА200时我们买入，反之则卖出。当然，我们可以输入一个新的条目并重新训练网络，等等。或者我们可以简单地将这个过滤器添加为布尔逻辑，检查它对结果的影响。
也就是说，它是在TS设计的不同阶段，将人可以直观理解的布尔逻辑和NS相结合。
3.顺理成章地做出机会来修复一些连接，使其不参与随后的培训。也就是说，有一个不应经常重建的系统骨干，有一个更经常适应的部分。重新训练所有的砝码是增加试衣。
4.如果能从第3点自动选择骨干，那也不错。例如，我们有一个测试部分。它被分为N个部分。NS对每个部分进行顺序训练，但要使它的某些部分保持固定（不对每个部分进行重新训练）。
也就是说，重点是建立强大的NS，需要对当前市场进行最少的调整。
5.目标f研究不应是预测（交易）的个别成功，而是股权曲线的一个特征。例如，一个利润因素，或一个用户定义的因素。
6.一个用于NS投射的可视化界面对于上述所有机会和其他机会是必要的。
纯粹作为一个开始，你可以考虑某种开源的面向对象的模型，如 http://www.basegroup.ru/library/analysis/neural/fastneuralnet/。
以此类推，做什么有意义，鉴于交易和MQL5的具体情况，有什么缺点。或者更先进的开源模式，以免重新发明车轮 :)
1.伊姆哈，最重要的是专门从事交易，在这里，将输入数据的预处理系统化 很重要。离散信号（例如，突破某个极值或一段时间内的价格变化超过某个阈值）和连续信号（例如，2个轮子之间的距离或一段时间内的价格变化）都应该被输入。当然，NS可以从连续的学习中获得离散的学习，但这样就进入了黑箱状态，而且并不总是需要。一般来说，对于输入，我们需要一个单独的类，其中的虚拟方法将被定义为计算价格-行动，用户可以从已经写好的中选择，或者写自己的。
是的，我写过这个。然而，我以不同的方式来写。你能举个简单的小例子说明价格行为的输入是什么样子的吗？
而且还在构建的NS中加入了布尔代数的元素。例如，我们建立了一个NS，想检查一个简单的过滤器的影响，例如，只在价格高于МА200时买入交易，反之则卖出。当然，我们可以输入一个新的条目并重新训练网络，等等。或者我们可以简单地以布尔逻辑的形式添加这个过滤器，并检查它对结果的影响。
把它放在网上有什么意义？在没有网络的情况下，检查是很容易和简单的...
也就是说，它是在TC设计的不同阶段将直观的人类可理解的布尔逻辑和NS结合起来。
那么NS的意义何在？我认为，NS在任何情况下都应该被视为一个黑盒子，将输入转化为输出。
3.顺理成章地做出一个机会来固定一些联系，使其不参与后续的学习。也就是说，有一个不应经常重建的系统骨干，有一个更经常适应的部分。重新训练所有的砝码是为了增加配合。
那是基于什么原则呢？那么拓扑结构可能会被改变（嘿嘿:) ）。有可能减少数量。但是，为了只训练手动选择的突触...
4.如果能自动选择第3步中未改变的指关节就更好了。例如，我们有一个测试部分。它被分为N个部分。NS是在每个部分上连续训练的，然而NS的一部分仍然是固定的（不在每个部分上重新训练）。
只要检查一下胶水上的操作。反正你不能用这样的阴谋诡计来摆脱适合。
也就是说，重点是建立强大的NS，需要对当前市场进行最低限度的调整。
5.目标f研究不应是预测（交易）中的个别成功，而是股权曲线的一个特征。例如，利润因素，或由用户设定的一个因素。
它不是那样工作的。不是所有的条目都可以转移到策略中。毕竟，NS与TS是分开的，它们是独立的。但它可以在训练样本的输入/输出的形成层面上进行。
_________________________________
或者说，那么你必须以不同的方式设定一般的目标。
是的，我写过这个。但在一个稍微不同的脉络。你能不能给我一个简单的小例子，价格行为的输入会是什么样子？
bool F1(int period){
如果（High[0]>iHighest(NULL,0,MODE_HIGH,period,1)）返回（true）；否则返回（false）。
}
double F2(int ma1P,int ma2P){
返回(iMA(...ma1P ...)-iMA(...ma2P....))
}
把它输入网络的意义何在？在没有网络的情况下，检查它很容易和简单...
那么NS的意义何在？我认为，NS在任何情况下都应该被视为一个黑盒子，将输入转化为输出。
将NS和传统逻辑相结合。NS的解决方案只能解决部分交易问题，例如过滤，其工作的结果将是买入或卖出交易或根本不交易。但进入和退出点，以及其他过滤器可以包含在标准的布尔逻辑中。如果没有布尔运算部分，它就不应该工作，那么如何教授所需的NS？也就是说，NS训练的每一步都必须包括在布尔逻辑上启动算法。
那是基于什么原则呢？嗯，你可以改变拓扑结构（嘿嘿:）。有可能减少一个数量。但你可以只训练手动选择的突触。
例如，有一个NS，它在识别趋势/翻转方面相当出色。我们可以在各种项目中使用它，并将其添加到其他NS中，例如。但不是每次需要训练他们时都要重新训练。
只需检查其在胶合方面的工作。无论如何，你不会用这种阴谋诡计来摆脱适合。
我认为这是对NS唯一有效的方法 :)
毕竟，NS与TS是分开的，它们一般是独立的。但它可以在训练样本的输入/输出的形成层面上进行。
为什么它们不能结合起来呢？那么NS将只解决一部分问题，但它将作为整个系统的一部分被训练。而在一般情况下，结合战略优化和培训国家安全局的过程，这是其中的一部分，因为它本质上是同一件事。也就是说，例如，随着测试器的每次运行，NS在测试样本上被训练。当然，如果NS不是一个独立的测试器，这是有意义的）））价格，但只是系统整体逻辑的一部分
不，它不像那样工作。
这样的谈话是蛊惑人心的。我们可以在不了解对方的情况下谈论不同的事情，并称它们为大致相同的事情。