int w0= постоянное смещение ( вот с этим не совсем понятно);
double w1=High[1]-Low[1];
double w2=High[1]-Low[2];
double w3=High[1]-Low[3];
double w4=High[1]-Low[4];
double w5=High[1]-Low[5];
double w6=High[1]-Low[0];
int w0=1;// это для того, чтобы все ниже описаные входы были проработаны на истории?double w1=High[1]-Low[1];double w2=High[1]-Low[2];double w3=High[1]-Low[3];double w4=High[1]-Low[4];double w5=High[1]-Low[5];double w6=High[1]-Low[0];
你可以，当然了
但它会在10节课内学会你的规则，然后呢？
这个算法被作为创建神经网络的一个简单例子，因为你必须从一个简单的一....。
如果一根蜡烛的范围大于过去五根蜡烛的平均范围，达到一定的系数（如果蜡烛在上升--买入，如果蜡烛在下降--卖出）。
基于这种算法，输入参数将是过去五个柱状体的平均范围的裂缝？
你给出了你所使用的术语的定义。什么是 "蜡烛范围"？一个网络应该从实例中学习。对你的网络来说，什么算得上是积极和消极的例子（从你的角度来看）？什么是 "过冲率"？
你给出了你所使用的术语的定义。什么是 "蜡烛范围"？一个网络应该从实例中学习。对你的网络来说，什么算得上是积极和消极的例子（从你的角度来看）？什么是 "过冲系数"？
最后形成的条形图的范围=High[1]-Low[1]。
double cdpb // 最后五个柱子的平均范围。
for(i=1;i<5;i++){
сдппб=сдппб+(High[1]-Low[1])/5;
}
购买条件
如果(最后完成的柱子的范围>最后五个柱子的平均范围*系数 && Close[1]>Open[1]){
按市场购买
}
你能告诉我，为净值定义一个正负的例子是多么容易，也许是交易的结果？
диапазон последнего сформировавшегося бара>средний диапазон пяти последних баров*коэффицент
这一条件将决定网络训练算法及其架构。我们将把预测的Kotir运动的巧合视为NS的积极结果，该运动从开仓开始，在出现头寸逆转 信号时以平仓结束。阴性--分别--不匹配。网络三角的结果将是找到最佳（从它的角度来看）的系数值。该网络将有7个输入。第一个输入将是一个恒定的偏移量（增加网络的计算能力并加速学习），第二个输入的范围是1巴，第三个输入的范围是第二个巴，以此类推，直到第五个巴，第七个（NS的最后一个输入）的范围是零巴（电流），它将与它进行比较。
我们选择的网络是最简单的--线性perseptron。在学习过程中，它将为每个柱子分配最佳比率（不是像你的情况那样，为所有五个柱子分配一个比率，而是为每个柱子分配一个单独的比率（w0, w1...w6）），如果原则上可以做到，国家计算机将预测买入或卖出，几乎没有错误
这一条件将决定网络训练算法及其架构。我们将把预测的Kotir运动的网络巧合视为积极的结果，该运动以开仓开始，并在出现头寸逆转信号时以平仓结束。阴性--分别--不匹配。网络三角的结果将是找到最佳（从它的角度来看）的系数值。该网络将有7个输入。第一个输入将是一个恒定的偏移量（增加网络的计算能力并加速学习），第二个输入的范围是1巴，第三个输入的范围是第二个巴，以此类推，直到第五个巴，第七个（NS的最后一个输入）的范围是零巴（电流），它将与它进行比较。
我们选择的网络是最简单的--线性perseptron。在学习过程中，它将为每个柱状体分配最佳比率（不是像你的情况那样，为所有五个柱状体分配一个比率，而是为每个柱状体分配一个单独的比率（w0, w1...w6）），如果原则上可以，NS将预测买入或卖出几乎没有错误
非常感谢中子。
如果我理解正确的话，这些条目被标记为Wn，如果是这样的话，我的下一个任务就是用一个代码来描述每个条目，比如说。
这是否正确？
这就对了!
恒定输入是什么不清楚？我们必须事先对输入数据进行归一化处理，这个程序不是强制性的，但却是可取的（它有助于网络更快地学习，并提高其预测能力）。作为这个过程的结果，整个输入信号的种类（从-无穷到+无穷），将被映射到一个有限的区间+/-1。作为一个恒定的偏移量，我们将向NS的第一个输入端提供+1（为清晰起见）。输出端将输出Out>0表示Bue，Out<0表示Sell。
这就对了!
恒定输入是什么不清楚？我们必须事先对输入数据进行归一化处理，这个程序不是强制性的，但却是可取的（它有助于网络更快地学习，并提高其预测能力）。作为这个过程的结果，整个输入信号的种类（从-无穷到+无穷），将被映射到一个有限的区间+/-1。作为一个恒定的偏移量，我们将+1（用于确定）输入到NS的第一个输入。
这样做对吗？
这还是不对的。
在这种表述中，NS的输入将只有正的振幅信号，网络将无法获得所有可能的信息，而这些信息将作为分析的基础。更好的方法是将你的输入值乘以蜡烛的颜色：如果蜡烛在上升，则+1，如果在下降，则-1。而且甚至不是+/-1，而是对增量的值：Close[i]-Open[i]。
它将看起来像这样。
w1=(High[1]-Low[1])/Point*( Close[1]-Open[1])/Point;
w1=(High[2]-Low[2])/Point*( Close[2]-Open[2])/Point;
w1=(High[3]-Low[3])/Point*( Close[3]-Open[3])/Point;
这暂时还没有正常化。
P.S.我不明白：//是为了让下面描述的所有输入通过历史来实现吗？
这仍然是不正确的。
在这种表述中，NS的输入将只有正的振幅信号，网络将无法获得所有可能的信息，以作为分析的基础。更好的方法是将你的输入值乘以蜡烛的颜色：如果蜡烛在上升，则+1，如果在下降，则-1。而且甚至不是+/-1，而是对增量的值：Close[i]-Open[i]。
它将看起来像这样。
w1=(High[1]-Low[1])/Point*( Close[1]-Open[1])/Point;
w1=(High[2]-Low[2])/Point*( Close[2]-Open[2])/Point;
w1=(High[3]-Low[3])/Point*( Close[3]-Open[3])/Point;
这暂时还没有正常化。
P.S.我不明白：//是为了让下面描述的所有输入通过历史来实现吗？
你的例子中三行都有w1，应该是这样的吗？
P.S. 我不明白的是：//是这样的，下面描述的所有输入都可以在历史上进行操作？
我想了解w0将执行什么功能，我假设它是故事中的一个步骤，就像在循环中一样，如果不是，你能告诉我更多...
在你的例子中，你的三行都有w1，应该是这样的吗？
我想弄清楚w0将执行什么功能，所以我假设它是进入历史的一步，就像在循环中一样，如果不是，请详细解释......
要了解w0执行什么功能，我们最好从一些教科书开始，而不是跳进NS，IMHO。