如何正确形成NS的输入值。 - 页 13 1...67891011121314151617181920...31 新评论 Neutron 2008.07.09 10:44 #121 朋友们,我为 "插嘴 "而道歉。 有人在这个方向上工作过吗? 在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的业务中如何现实地使用? Yuriy Zaytsev 2008.07.09 11:02 #122 Neutron писал (а)>> 朋友们,我为 "插嘴 "而道歉。 有人在这个方向上工作过吗? 在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的业务中如何现实地使用? 像这样的反馈 Sergey Fionin 2008.07.09 11:07 #123 这看起来像是一种关联。也就是说,你要找的函数是一个从输入到输出或反之亦然的相关函数。 Candid 2008.07.09 11:11 #124 互惠信息被作为目标函数提供。也就是说,它是一种没有老师的学习的变体。 这就是最终的结果吗?某种滑动的矢量,即多维的muving? TheXpert 2008.07.09 11:20 #125 YuraZ писал (а)>> >>像这样的反馈 不,它看起来更像是PCA。 Sergey Fionin 2008.07.09 11:20 #126 lna01 писал (а)>> 不,相互信息是作为一个目标函数提供的。因此,这是一种没有老师的学习的变体。 为什么不呢?如果存在相关性,在训练期间,目标函数就会趋向于1。原则上,我看不出与传统优化有什么区别。 Yuriy Zaytsev 2008.07.09 11:28 #127 sergeev писал (а)>> 2 YuraZ.人 们正在回升,这很好。 你在上述主题中的专家是我的第一个介绍。非常感谢您提供的代码。我将在此粘贴其稍作修正和装饰的版本。对于初学者来说,这已经很不错了。 我严格比较了我的版本与真实版本在测试模式上的输出。 我试过你的版本,我从来没有成功地教过它! 在我的变体中,学习速度更快 TheXpert 2008.07.09 11:29 #128 Neutron писал (а)>> 在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的案例中如何现实地使用? 那么I(X, Y)函数呢? IMHO,PCA(主成分分析)或MGC(主成分法)和再循环网络是你需要的。 Candid 2008.07.09 11:31 #129 FION писал (а)>> 为什么不呢?如果存在相关性,在训练期间,目标函数就会趋向于1。原则上,我看不出与传统优化有什么区别。 "不 "指的是反馈:)。至于作为目标函数的相关性,它似乎确实与相互信息有关。但由于公式不同,学习的轨迹也可能不同。一般来说,对于一个或多或少复杂的系统,很难指望达到全球极值。而由此产生的局部极值对于不同的学习路径可能是不同的。 RIP 2008.07.09 11:31 #130 Neutron писал (а)>> 朋友们,我为 "插嘴 "而道歉。 有人在这个方向上工作过吗? 在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的案例中如何现实地使用? 我可以问一下这段摘录是出自哪里吗?我曾经尝试过从噪声中提取一个有用的信号,但工作仍未完成。 1...67891011121314151617181920...31 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
朋友们,我为 "插嘴 "而道歉。
有人在这个方向上工作过吗?
在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的业务中如何现实地使用?
朋友们,我为 "插嘴 "而道歉。
有人在这个方向上工作过吗?
在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的业务中如何现实地使用?
像这样的反馈
互惠信息被作为目标函数提供。也就是说,它是一种没有老师的学习的变体。
这就是最终的结果吗?某种滑动的矢量,即多维的muving?
>>像这样的反馈
不,它看起来更像是PCA。
不,相互信息是作为一个目标函数提供的。因此,这是一种没有老师的学习的变体。
为什么不呢?如果存在相关性,在训练期间,目标函数就会趋向于1。原则上,我看不出与传统优化有什么区别。
2 YuraZ.人 们正在回升,这很好。
你在上述主题中的专家是我的第一个介绍。非常感谢您提供的代码。我将在此粘贴其稍作修正和装饰的版本。对于初学者来说,这已经很不错了。
我严格比较了我的版本与真实版本在测试模式上的输出。
我试过你的版本,我从来没有成功地教过它!
在我的变体中,学习速度更快
在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的案例中如何现实地使用?
那么I(X, Y)函数呢?
IMHO,PCA(主成分分析)或MGC(主成分法)和再循环网络是你需要的。
为什么不呢?如果存在相关性,在训练期间,目标函数就会趋向于1。原则上,我看不出与传统优化有什么区别。
"不 "指的是反馈:)。至于作为目标函数的相关性,它似乎确实与相互信息有关。但由于公式不同,学习的轨迹也可能不同。一般来说,对于一个或多或少复杂的系统,很难指望达到全球极值。而由此产生的局部极值对于不同的学习路径可能是不同的。
朋友们,我为 "插嘴 "而道歉。
有人在这个方向上工作过吗?
在没有先验知识的情况下 "捞 "出有用信息的想法似乎很诱人。我想知道这在我们的案例中如何现实地使用?
我可以问一下这段摘录是出自哪里吗?我曾经尝试过从噪声中提取一个有用的信号,但工作仍未完成。