市场礼仪或雷区中的良好风度 - 页 36 1...293031323334353637383940414243...104 新评论 Neutron 2009.05.28 08:42 #351 HideYourRichess писал(а)>> 任何直线都可以被刻在这样的圆内，与水平面成任何角度。 好吧，好吧! 正如你所看到的，没有任何角度!- 这是个正确的角度... paralocus 2009.05.28 08:53 #352 Neutron >> : 现在看来是这样的! 承诺的培训云在哪里？ 在图上放一个比例网格，并告诉我你对直线的倾斜角的切线是多少。 这些是由X得到的五元正弦的第一个差值和Y得到的随机权重（初始设置的权重+/-1）的网格预测得到的图片。其余的仍在进行中，即将推出 Hide 2009.05.28 09:00 #353 Neutron >> : 好吧，好吧! 正如你所看到的，不是任何人都能做到的!- 这是正确的... >> 是的，是的，是的。 paralocus 2009.05.28 15:19 #354 就这样，它完成了。这里只缺少一个训练样本，因为训练样本是矢量X。所以你当然可以把它画在图上，但它将是一条与图相交的直线，角度为45"。该神经元由三个样本进行训练。 1.简单的第一差值5sin - 向量Y_simpl，绿色（对应貂皮）。 2.第一个差值的正切 5sin - 蓝色 3. 二进制输入（通过5sin）--紫色 直线的切线是这样的。 然而，有些事情是错误的。或者我不明白你给我的任务。 这个神经元在每一个新的X 数据矢量样本上进行训练，同一矢量被用作图形的阴轴。如果你在序数上显示它......？为什么？ 此外，我注意到，如果用相同的数据对工作表进行重新计算，结果会有所不同。它应该是这样的吗？也就是说，结果非常依赖于权重的初始设置。 好吧，当我没有在每一步都训练神经元，而只是用随机选择的初始权重在数据向量上运行时，我得到了中间有云的图纸（有时）。 现在你得到了你所看到的东西。这是另一张照片。 为了以防万一，我把马特卡德的清单附上。 附加的文件： neyron.rar 114 kb Neutron 2009.05.29 03:52 #355 paralocus писал(а)>> 好了，你有了它。没有训练样本，因为训练样本是矢量X。所以你当然可以把它画在图上，但它将是一条以45度角穿过图的线。 你有一个长度为n 的训练向量，在这个训练向量上，NS只训练识别一个样本，即n+1。我们有一组统计量N>100，形成了一个长度为N 个样本的训练集（更确切地说，是一组NS的训练实例）（这不是一个训练向量，而是一组样本，从现有的正弦波序列中获得，每次向右移动一个样本，直至N）。因此，我们有N个 NS被训练的值（这些是训练向量的n+1个 元素），我们也有N个 它如何学习它们的值。将它们分别放在标轴和纵轴上，得到描述学习过程的云。很明显，这片云不会有45度的坡度。由此可见，网格的权重数--w 远小于训练向量P=w*w/d的 最佳长度，因此，NS为寻找最佳权重而求解的方程组是过度确定的，有无限的解。因此，要寻求一个近似值，在最小化所有方程的平方学习误差的意义上，它是最佳的。如果训练向量的长度等于权重的数量，那么人们就会期待网络100%的学习，但从网络在未来对积累的知识进行归纳的能力来看，这并不是最佳状态，而且会导致测试样本上出现宏大的错误。一个正确的训练过的网格将显示训练样本的斜率角度接近云图上测试样本的斜率角度。相反，一个过度训练的网络将显示训练云的45度角，其方差可以忽略不计，而测试云的角度为零，方差无限。如果你试图准确地解决一个单一perseptron的线性代数方程系统，这正是你得到的结果。我在上面已经提到了这一点。这就是为什么在调试网络时使用云图非常方便的原因（这在MQL中是做不到的）。 你的斜率角从实验中变化，甚至变成了负值，这一事实清楚地表明你的女孩在过她的秘密生活，是无法训练的。你需要做脑叶切除术 :-) P.S. 为2001i MathCad保存扩展名为*.mcd的cdjb文件，否则我无法读取它们。 paralocus 2009.05.29 04:55 #356 这里，保存为*.mcd，用于Matcad12和11。我没有任何其他关于mcd文件的选择。 附加的文件： mathcad.rar 40 kb Neutron 2009.05.29 06:19 #357 我现在就去看看。 顺便说一下，这是我的女孩如何算出5-正弦系列的。 这是一个两层的NS，有两个有效的输入（不算恒定偏差），k=2，在隐藏层有2个非线性激活的神经元，在输出有一个线性神经元（没有激活函数）。训练样本显示为红色，测试样本（预测值）显示为蓝色。对每个样本进行再训练。统计的是200个实验。角度的切线在绘图栏中给出。 Neutron 2009.05.29 08:31 #358 在你的代码中，有很多东西我没有理解，是出于我的善意。但从我设法理解的情况来看，以下内容与我的想法不一致。 你应该有所有训练纪元P 上的累积总和，即偏差的平方S[k]。 我看到的只是变量的重新分配。没有用随机数对权重进行初始化。 我还是不明白你介绍的method()和ranif()是什么子程序，在哪里可以找到它？ 我把你的代码简化了一下（见文件）。 附加的文件： modif1_4.zip 16 kb paralocus 2009.05.29 16:44 #359 我现在刚到电脑前。这是不适合你的文件...在早上匆匆忙忙的情况下，把它附在上面。现在我将对它进行评论，并发布ranif()--它是Matcad的一个内置函数--它返回一个在第一个参数中指定的长度的向量，其中有第二和第三个参数之间的均匀分布 的随机数。 paralocus 2009.05.29 19:03 #360 广泛评论，沿途纠正了几个错误 这就是它所画的。 我附上三种格式的文件11、12和13（*.xcmd）。 现在我在看你的更正...事实上，我应该先看一下更正，然后再发表评论......-:) 你在上面两个帖子中写的内容我正在考虑。对我来说，最主要的是理解，以便在我的头脑中形成 "画面"，然后我就会做一切事情。 到目前为止，那张照片证明并不完全正确--我误解了 "边做边学"，而且还没有新的照片。 附加的文件： neyron_1.rar 197 kb 1...293031323334353637383940414243...104 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
任何直线都可以被刻在这样的圆内，与水平面成任何角度。
好吧，好吧!
正如你所看到的，没有任何角度!- 这是个正确的角度...
现在看来是这样的!
承诺的培训云在哪里？
在图上放一个比例网格，并告诉我你对直线的倾斜角的切线是多少。
这些是由X得到的五元正弦的第一个差值和Y得到的随机权重（初始设置的权重+/-1）的网格预测得到的图片。其余的仍在进行中，即将推出
好吧，好吧!
正如你所看到的，不是任何人都能做到的!- 这是正确的...
>> 是的，是的，是的。
就这样，它完成了。这里只缺少一个训练样本，因为训练样本是矢量X。所以你当然可以把它画在图上，但它将是一条与图相交的直线，角度为45"。该神经元由三个样本进行训练。
1.简单的第一差值5sin - 向量Y_simpl，绿色（对应貂皮）。
2.第一个差值的正切 5sin - 蓝色
3. 二进制输入（通过5sin）--紫色
直线的切线是这样的。
然而，有些事情是错误的。或者我不明白你给我的任务。
这个神经元在每一个新的X 数据矢量样本上进行训练，同一矢量被用作图形的阴轴。如果你在序数上显示它......？为什么？
此外，我注意到，如果用相同的数据对工作表进行重新计算，结果会有所不同。它应该是这样的吗？也就是说，结果非常依赖于权重的初始设置。
好吧，当我没有在每一步都训练神经元，而只是用随机选择的初始权重在数据向量上运行时，我得到了中间有云的图纸（有时）。
现在你得到了你所看到的东西。这是另一张照片。
为了以防万一，我把马特卡德的清单附上。
好了，你有了它。没有训练样本，因为训练样本是矢量X。所以你当然可以把它画在图上，但它将是一条以45度角穿过图的线。
你有一个长度为n 的训练向量，在这个训练向量上，NS只训练识别一个样本，即n+1。我们有一组统计量N>100，形成了一个长度为N 个样本的训练集（更确切地说，是一组NS的训练实例）（这不是一个训练向量，而是一组样本，从现有的正弦波序列中获得，每次向右移动一个样本，直至N）。因此，我们有N个 NS被训练的值（这些是训练向量的n+1个 元素），我们也有N个 它如何学习它们的值。将它们分别放在标轴和纵轴上，得到描述学习过程的云。很明显，这片云不会有45度的坡度。由此可见，网格的权重数--w 远小于训练向量P=w*w/d的 最佳长度，因此，NS为寻找最佳权重而求解的方程组是过度确定的，有无限的解。因此，要寻求一个近似值，在最小化所有方程的平方学习误差的意义上，它是最佳的。如果训练向量的长度等于权重的数量，那么人们就会期待网络100%的学习，但从网络在未来对积累的知识进行归纳的能力来看，这并不是最佳状态，而且会导致测试样本上出现宏大的错误。一个正确的训练过的网格将显示训练样本的斜率角度接近云图上测试样本的斜率角度。相反，一个过度训练的网络将显示训练云的45度角，其方差可以忽略不计，而测试云的角度为零，方差无限。如果你试图准确地解决一个单一perseptron的线性代数方程系统，这正是你得到的结果。我在上面已经提到了这一点。这就是为什么在调试网络时使用云图非常方便的原因（这在MQL中是做不到的）。
你的斜率角从实验中变化，甚至变成了负值，这一事实清楚地表明你的女孩在过她的秘密生活，是无法训练的。你需要做脑叶切除术 :-)
P.S. 为2001i MathCad保存扩展名为*.mcd的cdjb文件，否则我无法读取它们。
我现在就去看看。
顺便说一下，这是我的女孩如何算出5-正弦系列的。
这是一个两层的NS，有两个有效的输入（不算恒定偏差），k=2，在隐藏层有2个非线性激活的神经元，在输出有一个线性神经元（没有激活函数）。训练样本显示为红色，测试样本（预测值）显示为蓝色。对每个样本进行再训练。统计的是200个实验。角度的切线在绘图栏中给出。
在你的代码中，有很多东西我没有理解，是出于我的善意。但从我设法理解的情况来看，以下内容与我的想法不一致。
你应该有所有训练纪元P 上的累积总和，即偏差的平方S[k]。 我看到的只是变量的重新分配。没有用随机数对权重进行初始化。
我还是不明白你介绍的method()和ranif()是什么子程序，在哪里可以找到它？
我把你的代码简化了一下（见文件）。
广泛评论，沿途纠正了几个错误
这就是它所画的。
我附上三种格式的文件11、12和13（*.xcmd）。
现在我在看你的更正...事实上，我应该先看一下更正，然后再发表评论......-:)
你在上面两个帖子中写的内容我正在考虑。对我来说，最主要的是理解，以便在我的头脑中形成 "画面"，然后我就会做一切事情。
到目前为止，那张照片证明并不完全正确--我误解了 "边做边学"，而且还没有新的照片。