测试实时预测系统 - 页 27

新评论
 
neoclassic писал(а)>>

对不起:-)这里是开头的预测。

gpwr显然以不同的方式处理傅里叶，我的方法没有参数。

:о)))

而GRNN与Fourier有什么不同？而这个GRNN到底是什么？我只是不知道。:о(

 
grasn >> :

不，不，不。

我在一开始就发布预测，而不是在最后显示。

另外，如果没有参数，gpwr是如何获得另一行的？

GRNN可以用不同的方式进行编码。我使用了最简单的代码，有固定的西格玛（集群大小）。图案的长度是另一个参数。我利用过去的数据对其进行了优化，得到了140条。没有平滑的价格被用作输入。顺便说一下，第三种方法（非线性自回归）也得到了类似的结果。

根据新的数据，这两种方法给出了以下预测

GRNN。



非线性的AR。


 

GRNN 是神经网的一种类型。这里有一个 定义的链接。或者这里 有一个更聪明的办法。

 

是的，是的--已经想明白了，谢谢......的参与 :o))))))

补充：我被 "缺乏参数 "这句话弄糊涂了。任何NS都有 "参数总是"。

 
grasn >> :

:о)))

GRNN与Fourier有什么不同？而这个GRNN到底是什么？我只是不知道。:о(

在数学上，GRNN（一般回归神经网络）是最简单但非常有效的神经网络，由Specht在1991年提出。见此链接

http://people.cecs.ucf.edu/georgiopoulos/eel6812/papers/general_regression_network.pdf

这与傅立叶没有关系。GRNN指的是概率性神经网络，如最近的邻居。它采用所有过去的模式，并以这种方式计算当前模式与过去模式之间的欧几里得距离

D[n] = SUM( ( Open[i] - Open[n+i])^2, i=0...PatternLength )

然后计算出过去 "未来 "价格的加权平均型预测值

Open[-1] = SUM( Open[n-1]*exp(D[n]/(2*Sigma), n=0...AllPastPatterns) / SUM( exp(D[n]/(2*Sigma)) , n=0...AllPastPatterns)


在最近的邻居中，在计算与过去模式的欧几里得距离后，选择最接近的模式，其 "未来 "值被用作当前模式的预测。这是在简单版本，很少使用。通常会找到最近的邻居，并对其 "未来 "值进行平均或加权，以找到对当前模式的预测。

 

是的，我明白。

为了明确 起见，这个问题是向新古典主义 提出的--只是为了提醒你他的帖子内容。

gpwr видимо, по другому готовит Фурье, у моего метода нет параметров

这就是我问新古典主义 的原因 :o)))))有什么区别呢？因为他的预测有点像傅里叶的预测，遥相呼应。


到gpwr

谢谢你的概要介绍。


到数学

我已经说过感谢，但我随时准备重复:o)))

 

Grasn，见《基于傅里叶变换的动态外推器》。

这里你可以看到工作原理和指标本身:-)

 
neoclassic >> :

Grasn，见"基于傅里叶变换的动态外推器

这里你可以看到工作原理和指标本身:-)

然后。

看起来GRNN已经中了大奖 :-)

还是你已经决定，如果你不对我进行不必要的迷惑，这一天实际上将是一个失败的一天？:о)))))

 

绝不是为了混淆你的视听 :-)

Похоже GRNN сорвала куш

我说我的意思是，gpwr GRNN的预测是最准确的，而我的图片只是一个后续。

 
neoclassic >> :

绝不是为了混淆你的视听 :-)

我说，意思是gpwr GRNN的预测结果是最准确的，我给出我的图片只是为了发展这个话题。

>> 一切顺利 :o))))))


PS：除了一件事--GRNN给出的只是最差的预测之一。但这是我的，IMHO。我的意思是，这很明显。

1...202122232425262728293031323334...93
新评论