你是如何使用神经网络的？ - 页 6

新评论
 
LeoV:


说实话，我不太明白你的意思。

这个想法很简单。

假设我们有两个TC。

1.在从通道的反弹中，即contrend。它在通道内获利，而在崩溃时则亏损。

2.突破通道 - 趋势。它在长线趋势中收入，在横盘中损失。

如果图表围绕横轴倒置，那么两个TC的行为将是一样的，也就是说，即使它所调整的正常图表是以上升趋势为主，趋势一也会在下降趋势下获利。

实际上，网格的行为应该是对称的，也就是说，如果它是为上升趋势而训练的，它也应该在下降趋势中 "赚"。如果它不能这样做，例如，只在上升趋势中 "挣钱"，那么它比上述原始的TS更糟糕，因为它将在下降趋势和横盘中都开始损失。

也就是说，当训练网络 时，它不仅需要从被分析的BP中下载一个例子的样本，而且需要下载所有反转形式的例子。

比如说。

假设在训练样本中有一些两个训练实例。(输入和输出从-1到+1)。

0,35 -0,21 0,8 -0,51 -0,71

0,71 0,1 -0,21 -0,96 0,12


其中：从第一个值到倒数第二个值--输入，例如（RSI-50.0）/50.0的归一化值或另一个震荡器。最后一个值是我们想要的输出。因此，为了获得对称的训练，每个这样的例子都应该被倒置，也就是说，训练样本应该加倍。


0,71 0,1 -0,21 -0,96 0,12

-0,35 0,21 -0,8 0,51 0,71

-0,71 -0,1 0,21 0,96 -0,12

0,35 -0,21 0,8 -0,51 -0,71

 
Reshetov:
不后悔。见GRNN-GA。

那么？神经网络是否已被遗传算法所取代？

这个链接到底说了什么？它是关于什么的？

我可以得到一个报价吗--对于那些不明白的人来说？

 
http://forecast-man.com/ 这里是另一个关于模糊逻辑的NS库，很想听听评论，但可能没有多少人听说过它......
 
LeoV:

这个问题的解决方法很简单--你需要在这样的时间间隔内训练网，在这个时间间隔内，所有类型的运动都存在。既有横向的，也有纵向的。当然，你必须明白，如果网只在上升期进行训练，那么在下降期就会失败))))。


所有正确的说法...但趋势的变化又如何呢？我没有太多成功......一个好，然后不那么好......。

ps.但是如果对教师来说有正常的输入（即--在输入中可以找到一些东西）--这并不重要--网格（任何结构），地图koh，ha，k-方法，等等..... 一切都会成功...

 
Vizard:



但如果对教师来说有正常的输入（即--在输入中可以找到一些东西）--那么这并不重要--一个网格（任何结构），地图KOH，HA，K-方法，等等..... 一切都会成功...

应该把BP中不存在正常的输入作为一个公理。猫必须知道如何做饭。见预测金融时间序列
 
Swetten:

那么？神经网络是否已被遗传算法所取代？

这个链接到底说了什么？它是关于什么的？

我可以得到一个报价吗--对于那些不明白的人来说？

问题是，我们所说的神经网络是指各种算法，包括回归、遗传等。参考GRNN-GA 作为一个例子，因为事实上它可以被称为一个神经网络，只是因为它使用了加权系数--通过查询数据库中的相关实例的搜索引擎。
 
Reshetov:
问题是，我们所说的神经网络是指各种算法，包括回归、遗传等。参考GRNN-GA 作为一个例子，因为事实上它甚至可以被称为一个神经网络，只是因为使用了加权系数--通过查询数据库中的相关例子的搜索引擎。

让我提醒你原来的说法：NS和GA是完全不同的东西，彼此之间没有任何关系。

一个人不会以任何方式改变成另一个人。

你要争论吗？

 

关于按条件（教师）搜索信号的方法、算法（网格、ga等......）的争论是无止境的......以及关于vr的准备工作。这一点是不同的......只要保持一般的动态，一切都很好......如果动态发生变化，那就是排水....。

 
Vizard: 你说的没错...只是，改变动态的情况如何？

这与动力学无关。动态可以是任何东西--只要网络在训练期间发现的模式在未来有效。这就是问题所在--.....))
 
Reshetov:

这个想法很简单。

假设我们有两个TC。

1.在从通道反弹的过程中，即contrend。在通道中挣钱，在故障中输钱。

2.突破通道 - 趋势。它在长期趋势中获利，在横盘中亏损。



这里唯一的问题是如何确定下一个市场阶段以及它将持续多长时间.......

12345678
新评论