你是如何使用神经网络的？ - 页 3 12345678 新评论 Илья 2008.05.21 18:41 #21 据我所知，在公共领域没有任何来源。它们是否只在个案基础上提供？如果你不介意的话，请把它们投到上述电子邮件地址。 Alexandre 2008.05.21 22:55 #22 "相信的人有福了，世界上有温暖给他"...。 Илья 2008.05.22 08:58 #23 "Блажен, кто верует, тепло тому на свете"... 伙计，这个话题已经进行了三页，我的问题还没有得到一个答案。帮忙能有多难呢。我在问，问的是真东西。谢谢你，社区。 Dmitry Fedoseev 2008.05.22 09:09 #24 sayfuji: "相信的人有福了，世界上有温暖给他"...。 伙计，这个话题已经进行了三页，我的问题仍然没有得到一个答案。帮忙能有多难呢？我在问，问的是真东西。谢谢你，社区。 你不能否认它--知道如何支持这个话题，而不说一个字的优点。 Prival 2008.05.22 12:51 #25 Sayfuji，你至少应该做一些研究。这里有许多关于神经网络的主题。 你可能还想看看这里，他也是这个论坛上非常著名和受人尊敬的访问者。 http://fxreal.ru/forums/index.php Илья 2008.05.22 13:17 #26 我已经负责任地接近了这个问题，但尊敬的LeoV让谈话继续下去，但没有回答问题的实质。他在alp...ri论坛上住了一段时间，所以对他的知识和技能我并不怀疑，所以我等着他的答案，但它并不存在。 PS Prival，这是一个非常好的网站，我已经用了几个月了。klot做得好。 Alexandre 2008.05.22 13:48 #27 我可能被误解了。关于案情（以下是我的纯私人意见）。 1）最重要的是想法，而不是其软件实现的手段。上述《圣莱姆》的摘录很好地描述了这个想法。 2）没有人会白白给一个真正工作的网络的来源，很可能。 3）关于现成的神经网络程序：不可能创建一个 "万能的理论"，因此，如果目标是开发可行的东西，没有人可以不独立实施自己的想法。由于这个原因，即使是Matlab及其强大的工具包，例如，也不能满足我。当然，NSDT远没有达到Matlab的水平。 例子。 我应该马上说，我认为各种适当的价格预测，特别是那些达到小数点后第三或第四位的预测，是一种故意的无意义的做法。在我看来，这样的构造不过是自欺欺人而已。相反，正如有人在本地的一个主题中建议的那样，你可以尝试在价格将通过不少于预定的点数时，对价格走势进行早期检测。这个数字可以根据对以前的价格行为的分析来确定（我认为Composter在定义趋势/流量时解决了这个问题）。 一个工作假设：一些强大的价格运动有一些可复制的 "前兆"。我们可以尝试在 "从市场出发 "的同时，教会网络识别这些 "先行者"。 一般来说，网络的设计（"水晶 "在圣莱姆的术语中是指大型网络的基本结构单元，即 "云"）。 - 一个具有单一输出的多层自动适应性压缩奥亚网络，可以选择输入层、中间层和输出层的传递函数的类型和参数。这样的网络可以同时执行适应性记忆和输入矢量的分类功能。 - 层数由输入向量的维度决定，也就是说，网络是通过定义和初始化/读取工作数组自动生成的。 - 根据1/(2^N)（"求解晶体"）或1/N（"记忆晶体"）的规律，隐藏层中的神经元数量随着层数N的增加而逐渐减少。 - 隐蔽层的非线性参数可能取决于层数。 - 有一个可切换的内部反馈模式和一个可切换的外部输入，以与其他 "晶体 "通信，形成一个 "云"。 最重要和微妙的一点是输入矢量的形成。到目前为止，只是为了测试和控制网络的运作，它是以传统的方式形成的：Y[] = (x[] - mean(x[] )) / sigma(x[] )。(这一部分的问题还没有完全解决）。 网络的 "学习 "是通过启发式规则事后完成的：在价格超过指定的点数后，通过移回即 "以前的 "输入矢量调整权重的命令被给出；因此网络 "记住 "了它，考虑到以前积累的信息。假设以这种方式训练的网络能够识别前兆，从而能够实时给出交易信号。同时，"单个晶体与其说是在飞行，不如说是在弹跳......"（见同上）。 对输出的解释和自动形成的 "云 "本身，即神经委员会，还没有实现。也还没有特别漂亮的照片。 我个人认为这种方法很有前途。再次强调--以上都是我纯粹的私人意见。 Yury Reshetov 2008.05.22 13:56 #28 sayfuji: 我已经负责任地接近了这个问题，但尊敬的LeoV让谈话继续下去，但没有回答问题的实质。他在alp...ri论坛上生活了一段时间，所以我不怀疑他的知识和技能，所以我等着他的回答，但结果却不是这样的。 PS Prival，这真的是一条好线，我已经用了几个月了。klot做得好。 而你实际上不满意的是什么？利奥夫实际上已经回答了你最初的子图问题，尽管你正试图反驳。而他没有分享消息来源和完善其他细节的事实，这不是他职责的一部分。 问一个厚脸皮的问题，就像一些论坛用户所做的那样，比如。"给我看一个超级定位的神经网络的源代码"，你会得到相当充分的答案。 Илья 2008.05.22 16:58 #29 尤里，不幸的是（或幸运的是？），我在税收方面不是很擅长。但不要紧。谢谢alexjou的咀嚼式回答。我没有任何妄想，但我对奥亚感兴趣。我想问问你，在哪里可以读到它。 Alexandre 2008.05.22 18:05 #30 "奥亚网 "只是 "奥亚调整后的权重网 "的自由言论速记。奥亚规则本身是对赫布规则的修改，在调整过程中通过权重的自动归一化排除了权重的无限增长；在这种情况下，权重向量的两端大约位于一个单位超球内。例如，见这里：A.A. Ezhov，S.V. Shumsky。"神经计算及其在经济和商业中的应用"。莫斯科，1998年（你可以在互联网上找到讲座的PDF格式）。也是一本非常好的书，尽管对初学者来说有些困难。斯坦尼斯拉夫-奥索夫斯基。" 信息处理的神经网络。金融和统计，2002年（可在互联网上获得djvu格式）。互联网上有很多关于网络的其他文献。 12345678 新评论 您错过了交易机会： 免费交易应用程序 8,000+信号可供复制 探索金融市场的经济新闻 注册 登录 拉丁字符（不带空格） 密码将被发送至该邮箱 发生错误 使用 Google 登录 您同意网站政策和使用条款 如果您没有帐号，请注册 可以使用cookies登录MQL5.com网站。 请在您的浏览器中启用必要的设置，否则您将无法登录。 忘记您的登录名/密码？ 使用 Google 登录
"相信的人有福了，世界上有温暖给他"...。
"Блажен, кто верует, тепло тому на свете"...
伙计，这个话题已经进行了三页，我的问题还没有得到一个答案。帮忙能有多难呢。我在问，问的是真东西。谢谢你，社区。
"相信的人有福了，世界上有温暖给他"...。
伙计，这个话题已经进行了三页，我的问题仍然没有得到一个答案。帮忙能有多难呢？我在问，问的是真东西。谢谢你，社区。
你不能否认它--知道如何支持这个话题，而不说一个字的优点。
Sayfuji，你至少应该做一些研究。这里有许多关于神经网络的主题。
你可能还想看看这里，他也是这个论坛上非常著名和受人尊敬的访问者。
http://fxreal.ru/forums/index.php
我已经负责任地接近了这个问题，但尊敬的LeoV让谈话继续下去，但没有回答问题的实质。他在alp...ri论坛上住了一段时间，所以对他的知识和技能我并不怀疑，所以我等着他的答案，但它并不存在。
PS Prival，这是一个非常好的网站，我已经用了几个月了。klot做得好。
1）最重要的是想法，而不是其软件实现的手段。上述《圣莱姆》的摘录很好地描述了这个想法。
2）没有人会白白给一个真正工作的网络的来源，很可能。
3）关于现成的神经网络程序：不可能创建一个 "万能的理论"，因此，如果目标是开发可行的东西，没有人可以不独立实施自己的想法。由于这个原因，即使是Matlab及其强大的工具包，例如，也不能满足我。当然，NSDT远没有达到Matlab的水平。
例子。
我应该马上说，我认为各种适当的价格预测，特别是那些达到小数点后第三或第四位的预测，是一种故意的无意义的做法。在我看来，这样的构造不过是自欺欺人而已。相反，正如有人在本地的一个主题中建议的那样，你可以尝试在价格将通过不少于预定的点数时，对价格走势进行早期检测。这个数字可以根据对以前的价格行为的分析来确定（我认为Composter在定义趋势/流量时解决了这个问题）。
一个工作假设：一些强大的价格运动有一些可复制的 "前兆"。我们可以尝试在 "从市场出发 "的同时，教会网络识别这些 "先行者"。
一般来说，网络的设计（"水晶 "在圣莱姆的术语中是指大型网络的基本结构单元，即 "云"）。
- 一个具有单一输出的多层自动适应性压缩奥亚网络，可以选择输入层、中间层和输出层的传递函数的类型和参数。这样的网络可以同时执行适应性记忆和输入矢量的分类功能。
- 层数由输入向量的维度决定，也就是说，网络是通过定义和初始化/读取工作数组自动生成的。
- 根据1/(2^N)（"求解晶体"）或1/N（"记忆晶体"）的规律，隐藏层中的神经元数量随着层数N的增加而逐渐减少。
- 隐蔽层的非线性参数可能取决于层数。
- 有一个可切换的内部反馈模式和一个可切换的外部输入，以与其他 "晶体 "通信，形成一个 "云"。最重要和微妙的一点是输入矢量的形成。到目前为止，只是为了测试和控制网络的运作，它是以传统的方式形成的：Y[] = (x[] - mean(x[] )) / sigma(x[] )。(这一部分的问题还没有完全解决）。
网络的 "学习 "是通过启发式规则事后完成的：在价格超过指定的点数后，通过移回即 "以前的 "输入矢量调整权重的命令被给出；因此网络 "记住 "了它，考虑到以前积累的信息。假设以这种方式训练的网络能够识别前兆，从而能够实时给出交易信号。同时，"单个晶体与其说是在飞行，不如说是在弹跳......"（见同上）。
对输出的解释和自动形成的 "云 "本身，即神经委员会，还没有实现。也还没有特别漂亮的照片。
我个人认为这种方法很有前途。再次强调--以上都是我纯粹的私人意见。
我已经负责任地接近了这个问题，但尊敬的LeoV让谈话继续下去，但没有回答问题的实质。他在alp...ri论坛上生活了一段时间，所以我不怀疑他的知识和技能，所以我等着他的回答，但结果却不是这样的。
PS Prival，这真的是一条好线，我已经用了几个月了。klot做得好。
而你实际上不满意的是什么？利奥夫实际上已经回答了你最初的子图问题，尽管你正试图反驳。而他没有分享消息来源和完善其他细节的事实，这不是他职责的一部分。
问一个厚脸皮的问题，就像一些论坛用户所做的那样，比如。"给我看一个超级定位的神经网络的源代码"，你会得到相当充分的答案。