混合神经网络。 - 页 4 1234567891011...22 新评论 ilyaa 2009.10.05 16:56 #31 joo >> : 到entraf MQL4 致IlyaA 是的，我知道。还有不同作者的大约200-300本书。但我想我自己会比读这个图书馆更快地掌握NN和GA。结果是这样的。更快。 我所说的掌握是指实际应用，而不是对术语的熟悉。 然后是Haykin p.330，4.19章 我对这件事有很好的掌握。你很快就会掌握它的窍门。 ilyaa 2009.10.05 17:01 #32 joo >> :我也想就此向你提出建议。启动一个额外的群体，将每个时代的最佳个体放入其中（我称之为 "时代基因库 "或GE）。交配时，从当前种群和GE中抽取个体。这极大地减少了ff启动的次数。这种方法不应该与精英选拔相混淆。 让我们来了解一下穿越的情况。我按概率选择我的，这反映了这个感知器比其他感知器做得更好的程度。相应地，最好的人有80%的机会参与每一对，而最差的人有20%的机会。这就是他们的生活方式。你所说的补充人口的方法是什么意思。 Andrey Dik 2009.10.05 17:08 #33 IlyaA >> : >>谢谢你。>> 非常详细。基本上是的，如果你已经用不同的参数运行了几次算法，那么就使用这些结果。那么200...好吧，让我们保持这种方式。然后是下一个要点。我们应该寻找有利可图的 "假货"（蜡烛图和指标的组合），不是用眼睛而是用感知器来寻找它。让它为我们建立线性可分离的组。搜索标准 利润 => 最大。随意停顿。然后分析权重，确定 "佯攻"。然后是一个正常的指标和交易系统。相当复杂，但这是第一眼看到的。摸索天平是非常有趣的（至少对我来说）。问题:) 我必须通过每个人的蜡烛图+指标（可选）来运行5年的历史，现在每个人口上有200个。这是一个巨大的资源消耗，此外我们不知道什么时候会停止。让我们试着重新表述这个问题，或者以其他方式保留这个设计的最重要的特性--由机器检测 "fink"。 5年的时间里，什么TF？如果是M1，是的，很长一段时间。如果是W1，那么就非常快。 没有必要让网络成为一个巫师，并试图教给网络所有的历史时刻（盈利的表象）。其中大部分都不会再发生，至少99%。 我认为1000-3000条的历史是最佳的。当操作过程中的误差上升到指定水平以上时，要重新进行训练。虽然在例子的数量上（酒吧），有不同的意见，也许现在有的人反对这个问题。 ilyaa 2009.10.05 17:16 #34 joo >> : 5年的时间里，什么TF？如果是M1，是的，很长一段时间。如果是W1，那么就非常快。 没有必要让网络成为一个巫师，并试图教给网络所有的历史时刻（盈利的表象）。其中大部分都不会再发生，至少99%。 我认为1000-3000条的历史是最佳的。当操作过程中的错误上升到指定水平以上时，进行重新培训。虽然例子的数量（条），有不同的观点，也许现在有的人在这个问题上是反对者。 好吧，我想我将开始。为什么我推荐很多酒吧？因为（自问自答）正如有人正确指出的那样，大多数茴香树都是一次性的，网子可以'缺口大'。而结果会像往常一样，在被测试的巧克力的间隔上，在所有其他的间隔上--喂养为生。我的建议是，对一次性时刻最好的过滤是整合它们。网格将有更好的机会隔离重复的假象。你有什么想法？ ilyaa 2009.10.05 17:18 #35 gumgum >> : 昨天我写了一个10-15-10-1的网格 >>继续... 你是否检查过感知器的过度学习（过度学习、卡顿）？ Andrey Dik 2009.10.05 17:27 #36 IlyaA >> : 然后海金P。330，第4章，19我很好地拥有这件事。你很快就会掌握它的窍门。 还没有时间阅读，也许我会的。谢谢你。 IlyaA 写道(a)>>。 让我们揭开交叉点的本质。我按概率选择我的，这反映了这个感知器比其他感知器做得更好的程度。相应地，最好的人有80%的机会参与每一对，而最差的人有20%的机会。这就是他们的生活方式。你所说的补充人口的方法是什么意思。 是的，这些父母的后代被引入新的种群中。剩下的人在没有经历过爱的情况下无耻地死去。 :) 这是个陷阱!我们不知道死者中是否有任何像样的标本。即使他们看起来像怪胎又如何，他们可以产生新的、强大的一代。 处理GA问题时，就像你试图从果蝇中培育出一只天鹅一样。 其算法是这样的。 1 创建一个随机个体的群体（大部分是丑陋的）。 2 我们确定了适应性。 三、我们将该种群复制到基因库中 4 从种群和基因库中杂交个体（通过从那里和那里选择）。 5 将新的个体放入新的群体中 6 确定每个人的健康状况 7 从旧种群和新种群中抽取最好的个体，如果他们比基因库中的个体更好，就把他们放入基因库中（替换）。 8 用新人口中的个体替换旧人口。 9 与P4重复 以此类推，直到基因库中比最好的人更好的人不再出现。 Andrey Dik 2009.10.05 17:28 #37 妈的，我在写帖子的时候，你在写三篇！，沉淀一下吧 :) ilyaa 2009.10.05 17:35 #38 joo >> : 还没有时间阅读，也许我会的。谢谢你。 是的，这些父母的后代被引入新的种群中。其余的人在没有经历过爱情的情况下无耻地死去。 :) 这是最棘手的部分!我们不知道，也许在那些死去的人中有值得尊敬的人？如果他们看起来很丑又如何，他们可能已经诞生了新的、强大的一代。 处理GA问题时，就像你试图从果蝇中培育出一只天鹅一样。 其算法是这样的。 1 创建一个随机个体的群体（大部分是丑陋的）。 2 我们确定了适应性。 三、我们将该种群复制到基因库中 4 从种群和基因库中杂交个体（通过从那里和那里选择）。 5 将新的个体放入新的群体中 6 确定每个人的健康状况 7 从旧种群和新种群中抽取最好的个体，如果他们比基因库中的个体好，就把他们放入基因库中（替换）。 8 用新人口中的个体替换旧人口。 9 与P4重复。 以此类推，直到没有比基因库中最好的人出现。 好的，我将拭目以待 :)这与射线探查非常相似。我比较了射线寻找算法与概率穿越的性能。用概率交叉法的结果更好（更少的种群）。然而，如果你使用它，就很有可能会有好的效果。你需要做一个实验。你如何看待它。比方说在XOR上？ Andrey Dik 2009.10.05 17:38 #39 IlyaA >> : 好吧，我想我将开始。为什么我提出了很多条的建议呢？因为（自问自答）正如有人正确指出的那样，大多数菲尼克斯是一次性的，网友们可以 "背诵 "它。而结果会像往常一样，在被测试的巧克力的间隔上，在所有其他的间隔上--喂养为生。我的建议是，对一次性时刻最好的过滤是整合它们。网格将有更好的机会隔离重复的假象。你有什么想法？ 想到NN，就像想到你的大脑一样。你将如何 "整合 "这些？想象一下，你对绘画有所了解。也许你真的是。 好吧，你知道名家的特色技巧（有利可图的小说）。现在把Photoshop中所有著名大师的作品粘贴到一个图层中。你知道任何已知的艺术家的伎俩吗？我怀疑这一点。NN也是如此。 ilyaa 2009.10.05 18:09 #40 joo >> : 想到NN，就像想到你的大脑一样。你将如何 "整合 "这些？想象一下，你对绘画有所了解。也许你真的会这样做。 所以，你知道著名大师的特色技术（盈利的筹码）。现在把Photoshop中所有著名大师的作品粘贴到一个图层中。你能找到一个你知道的著名作家的诀窍吗？我怀疑这一点。NN也是如此。 什么是整合噪音？(我再次提问并回答：)你有一个随机变量m(t)，它在区间[-1; 1]上均匀分布。相应地，期望值=0。这很好。我们也有一个复杂配置的信号s(t)。信号和噪声的振幅具有可比性。问题是从s(t)+m(t)中提取s(t)，条件是s(t)+m(t)可以无限次重复。每次的干扰都是新的，信号曲线会和以前的曲线有很大的不同。这个方法出奇的简单：找到1000次重复的信号s(t)+m(t)的平均值。在这种情况下，具有0数学期望值的干扰被整合并删除。我们能对信号s(t)+m(t)进行平均的次数越多，剩下的干扰就越少。下面再详细介绍一下我的想法。 为了限制网络一次发现所有的特征（我们称之为抽象主义效应），我们将减少神经元的数量，从而获得网络泛化能力的优势和感知器不可能学习大量的材料。我们会把网络的目标放在只找到一个，但在数据中最有利可图的东西。你怎么看？ 1234567891011...22 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
到entraf
MQL4
致IlyaA
是的，我知道。还有不同作者的大约200-300本书。但我想我自己会比读这个图书馆更快地掌握NN和GA。结果是这样的。更快。
我所说的掌握是指实际应用，而不是对术语的熟悉。
然后是Haykin p.330，4.19章 我对这件事有很好的掌握。你很快就会掌握它的窍门。我也想就此向你提出建议。启动一个额外的群体，将每个时代的最佳个体放入其中（我称之为 "时代基因库 "或GE）。交配时，从当前种群和GE中抽取个体。这极大地减少了ff启动的次数。这种方法不应该与精英选拔相混淆。
让我们来了解一下穿越的情况。我按概率选择我的，这反映了这个感知器比其他感知器做得更好的程度。相应地，最好的人有80%的机会参与每一对，而最差的人有20%的机会。这就是他们的生活方式。你所说的补充人口的方法是什么意思。>>谢谢你。>> 非常详细。基本上是的，如果你已经用不同的参数运行了几次算法，那么就使用这些结果。那么200...好吧，让我们保持这种方式。然后是下一个要点。我们应该寻找有利可图的 "假货"（蜡烛图和指标的组合），不是用眼睛而是用感知器来寻找它。让它为我们建立线性可分离的组。搜索标准 利润 => 最大。随意停顿。然后分析权重，确定 "佯攻"。然后是一个正常的指标和交易系统。相当复杂，但这是第一眼看到的。摸索天平是非常有趣的（至少对我来说）。问题:) 我必须通过每个人的蜡烛图+指标（可选）来运行5年的历史，现在每个人口上有200个。这是一个巨大的资源消耗，此外我们不知道什么时候会停止。让我们试着重新表述这个问题，或者以其他方式保留这个设计的最重要的特性--由机器检测 "fink"。
5年的时间里，什么TF？如果是M1，是的，很长一段时间。如果是W1，那么就非常快。
没有必要让网络成为一个巫师，并试图教给网络所有的历史时刻（盈利的表象）。其中大部分都不会再发生，至少99%。
我认为1000-3000条的历史是最佳的。当操作过程中的误差上升到指定水平以上时，要重新进行训练。虽然在例子的数量上（酒吧），有不同的意见，也许现在有的人反对这个问题。
5年的时间里，什么TF？如果是M1，是的，很长一段时间。如果是W1，那么就非常快。
没有必要让网络成为一个巫师，并试图教给网络所有的历史时刻（盈利的表象）。其中大部分都不会再发生，至少99%。
我认为1000-3000条的历史是最佳的。当操作过程中的错误上升到指定水平以上时，进行重新培训。虽然例子的数量（条），有不同的观点，也许现在有的人在这个问题上是反对者。
好吧，我想我将开始。为什么我推荐很多酒吧？因为（自问自答）正如有人正确指出的那样，大多数茴香树都是一次性的，网子可以'缺口大'。而结果会像往常一样，在被测试的巧克力的间隔上，在所有其他的间隔上--喂养为生。我的建议是，对一次性时刻最好的过滤是整合它们。网格将有更好的机会隔离重复的假象。你有什么想法？昨天我写了一个10-15-10-1的网格
>>继续...
你是否检查过感知器的过度学习（过度学习、卡顿）？
然后海金P。330，第4章，19我很好地拥有这件事。你很快就会掌握它的窍门。还没有时间阅读，也许我会的。谢谢你。
IlyaA 写道(a)>>。
让我们揭开交叉点的本质。我按概率选择我的，这反映了这个感知器比其他感知器做得更好的程度。相应地，最好的人有80%的机会参与每一对，而最差的人有20%的机会。这就是他们的生活方式。你所说的补充人口的方法是什么意思。
是的，这些父母的后代被引入新的种群中。剩下的人在没有经历过爱的情况下无耻地死去。 :)
这是个陷阱!我们不知道死者中是否有任何像样的标本。即使他们看起来像怪胎又如何，他们可以产生新的、强大的一代。
处理GA问题时，就像你试图从果蝇中培育出一只天鹅一样。
其算法是这样的。
1 创建一个随机个体的群体（大部分是丑陋的）。
2 我们确定了适应性。
三、我们将该种群复制到基因库中
4 从种群和基因库中杂交个体（通过从那里和那里选择）。
5 将新的个体放入新的群体中
6 确定每个人的健康状况
7 从旧种群和新种群中抽取最好的个体，如果他们比基因库中的个体更好，就把他们放入基因库中（替换）。
8 用新人口中的个体替换旧人口。
9 与P4重复
以此类推，直到基因库中比最好的人更好的人不再出现。
还没有时间阅读，也许我会的。谢谢你。
是的，这些父母的后代被引入新的种群中。其余的人在没有经历过爱情的情况下无耻地死去。 :)
这是最棘手的部分!我们不知道，也许在那些死去的人中有值得尊敬的人？如果他们看起来很丑又如何，他们可能已经诞生了新的、强大的一代。
处理GA问题时，就像你试图从果蝇中培育出一只天鹅一样。
其算法是这样的。
1 创建一个随机个体的群体（大部分是丑陋的）。
2 我们确定了适应性。
三、我们将该种群复制到基因库中
4 从种群和基因库中杂交个体（通过从那里和那里选择）。
5 将新的个体放入新的群体中
6 确定每个人的健康状况
7 从旧种群和新种群中抽取最好的个体，如果他们比基因库中的个体好，就把他们放入基因库中（替换）。
8 用新人口中的个体替换旧人口。
9 与P4重复。
以此类推，直到没有比基因库中最好的人出现。
好的，我将拭目以待 :)这与射线探查非常相似。我比较了射线寻找算法与概率穿越的性能。用概率交叉法的结果更好（更少的种群）。然而，如果你使用它，就很有可能会有好的效果。你需要做一个实验。你如何看待它。比方说在XOR上？
好吧，我想我将开始。为什么我提出了很多条的建议呢？因为（自问自答）正如有人正确指出的那样，大多数菲尼克斯是一次性的，网友们可以 "背诵 "它。而结果会像往常一样，在被测试的巧克力的间隔上，在所有其他的间隔上--喂养为生。我的建议是，对一次性时刻最好的过滤是整合它们。网格将有更好的机会隔离重复的假象。你有什么想法？想到NN，就像想到你的大脑一样。你将如何 "整合 "这些？想象一下，你对绘画有所了解。也许你真的是。
好吧，你知道名家的特色技巧（有利可图的小说）。现在把Photoshop中所有著名大师的作品粘贴到一个图层中。你知道任何已知的艺术家的伎俩吗？我怀疑这一点。NN也是如此。
想到NN，就像想到你的大脑一样。你将如何 "整合 "这些？想象一下，你对绘画有所了解。也许你真的会这样做。
所以，你知道著名大师的特色技术（盈利的筹码）。现在把Photoshop中所有著名大师的作品粘贴到一个图层中。你能找到一个你知道的著名作家的诀窍吗？我怀疑这一点。NN也是如此。
什么是整合噪音？(我再次提问并回答：)你有一个随机变量m(t)，它在区间[-1; 1]上均匀分布。相应地，期望值=0。这很好。我们也有一个复杂配置的信号s(t)。信号和噪声的振幅具有可比性。问题是从s(t)+m(t)中提取s(t)，条件是s(t)+m(t)可以无限次重复。每次的干扰都是新的，信号曲线会和以前的曲线有很大的不同。这个方法出奇的简单：找到1000次重复的信号s(t)+m(t)的平均值。在这种情况下，具有0数学期望值的干扰被整合并删除。我们能对信号s(t)+m(t)进行平均的次数越多，剩下的干扰就越少。下面再详细介绍一下我的想法。
为了限制网络一次发现所有的特征（我们称之为抽象主义效应），我们将减少神经元的数量，从而获得网络泛化能力的优势和感知器不可能学习大量的材料。我们会把网络的目标放在只找到一个，但在数据中最有利可图的东西。你怎么看？