神经病患者,不要路过 :) 需要建议 - 页 9 1234567891011121314 新评论 TheXpert 2011.04.03 21:05 #81 Figar0: 在这里,它是一个逐点的讨论。 谢谢谢尔盖,你说到点子上了。 2) 输入的预处理(这个问题似乎很简单,也很开放,如果我们知道在这种情况下做什么以及如何做,我们可以讨论一下) 没有什么特别之处。有几个层次,每个层次都由霍德里克-普雷斯科特滤波器单独处理,没有偷看。 3)NS的数学。 一些实验表明,在一定范围内,网络参数对结果的影响可以忽略不计。太少会导致过度训练,太多则会导致过度饱和。 关于回声网络的问题,我已经准备好聊天了。我还不会公布代码,我有一些计划。 4) 国家安全局运作的 "组织 "问题。 如何/何时进行培训/再培训 顺便说一句,我还没有试图改变 ,期间/间隔 也没有做任何认真的研究。我认为会有影响,甚至可能会有不同的时期,取决于工具。 解释专家顾问的工作逻辑--净输出的解释者 也没有认真研究,但从我所改变的内容来看,我认为不会有任何重大影响,虽然...将不得不再次检查。 , MM。 我完全看不出添加它的意义。潜在的盈利能力很容易用FS来估计。 - 为什么是 "回声"?你可能在里面被蒸过,告诉我优点和缺点。 首先,网络参数的回旋余地较小。不需要认为例如隐藏层比输入层小,就已经是数据压缩了,网络很有可能无法工作,等等。你不必考虑到网络其他地方的一堆小事。 简而言之,现在我用网络工作 -- 我只是抛出神经元、连接(某些数量、某些类型)。 我改编了它。我使用它。我并不关心里面发生了什么,所以我基本上得到一个方便的黑盒子。 几乎所有由MLP解决的问题都能由回声网络解决。 其次,我总是根据拓扑结构和输入/输出比率获得最佳解决方案 第三 -- 网络的适应时间(我刻意避免使用 "学习 "一词)被预测得非常准确,因为它使用了MLP,没有收敛,等等。 到目前为止,我只看到一个缺点--受健身函数的限制。也就是说,在理论上,我只能使用寻找FF等最小有效值误差的解决方案。当然,这可以通过遗传学习来绕过,但这样一来,回声网络的所有美感都会消失。 虽然没有,但还有一个,我不确定,但在我看来(我可能是错的),训练时间是以立方体增加的(与其说是训练,不如说是形成导数矩阵),所以训练一个有1000个神经元的网络将需要相当长的时间。 你当初是怎么挖出来的? 感谢同一个论坛:)来自我的朋友gpwr,对此我要非常感谢他:) 第2种类型的TC根本不是什么好事,我认为。 我认为,2型的工作更容易处理和分析结果。例如,正在讨论的项目的TC最初完全适合于2型。 a)你真的 确定输入/输出不能被改进吗? 当然不是。 b) 预处理:它是什么样子的?例如,你是否分析了输入值的分布? 归一化以某种形式存在,但没有对数据分布进行认真分析。 TheXpert 2011.04.03 21:14 #82 renegate: 你是否对输入到网络输入中的缩减器做了任何脱脂处理(在文章中发现)? 我看了一下,很有意思。也许你可以分享你的使用经验?有什么结果、改进、特点、隐患? 你也可以尝试让电感器无轨。 呃,这里有疑点,但还是希望也能听到一个简短的人物介绍。 Andrey Dik 2011.04.04 06:10 #83 让我们按照惯例,用蓝色矩形表示分析的数据区域(模式),用红色矩形表示预测的数据区域。在目前的实现中,红色区域的垂直大小通过一个比例系数取决于蓝色区域的大小(应该取决于蓝色区域的数据内容,而不是区域的大小)。下面是两个我们看到差异的例子。 и 我们看到,红色矩形的尺寸在第一个屏幕中比蓝色矩形的尺寸要小,在第二个屏幕中要大。 信号的归一化是相对于垂直尺寸而言的。 因此,我认为我们不应该用样本大小来规范化,而应该用整个训练样本的大小来规范化。这似乎降低了电网的预测能力。 有一个与之相关的不便之处(这就是我选择这种配给方式的原因),但似乎无法逃避--我们应该再跑一遍训练样本,以获得最大和最小值。 很明显,在目前的实现中,来自模式的信号分布在最大值和最小值的区域内有很大的偏移(这是不好的),因为每个模式都有值1和值-1。 在我看来,我们应该从这些变化开始。 TheXpert 2011.04.04 07:14 #84 你不是这样向我解释的 :) 。现在我想我同意了。 Andrey Dik 2011.04.04 07:23 #85 TheXpert: 你不是这样向我解释的 :) 。我想我现在同意了。 不,不是反过来。我告诉你,语言很难解释,图片更容易。对说话人和听话人都是如此。;) PS 至于关于学习获利的预测领域--这仍然是事实,我正在努力。 Viktor Zhuravlev 2011.04.04 07:52 #86 我使用以下算法对价格进行了实验。 1) 从Close获得一系列的第一次差异(FDD)。 2) 计算FFD模块的移动平均线(我取了25个周期)。 3) 用FFD除以移动平均数 我们得到了FFD,它是更稳定的。你可以用累积总和回到一个伪价格系列。 我看到你没有使用RRR。你是否对价格序列使用了趋势去除?或者你只是简单地将价格系列归一到一个特定的范围? TheXpert 2011.04.04 08:02 #87 renegate: 你是否对价格系列使用了趋势删除法? 这里也有更多细节。 或者你只是简单地将价格范围正常化为一个给定的范围? 目前,规范化是在模式描述中进行的。 现在我将对整个模式集进行标准化处理。这应该不会太难。 我想试着附和泯灭,但这里会比较复杂。我将考虑一下。 Viktor Zhuravlev 2011.04.04 08:18 #88 要做到这一点,有必要接受一个公理,即价格序列是由趋势、周期和噪音成分组成的。 我们从价格系列中减去趋势部分。我可以想到3种方法。 1)做主成分分析(AGC或PCA),将第一个主成分清零。 2)从价格系列中减去一个muving。其周期可以通过眼睛或通过优化或光谱分析来选择 3)找到整个价格系列的线性回归,并从价格中减去。 之后,我们得到一个只包含周期性和噪音成分的系列。将它们归一化为一个特定的范围是很方便的。 TheXpert 2011.04.04 08:22 #89 这实际上是我正在寻找的主要组成部分 :) hrenfx 2011.04.04 08:30 #90 renegate: 我使用以下算法对价格进行了实验。 1) 从Close获得一系列的第一差值(FDR)。 没有诀窍的问题,为什么是这个步骤? 1234567891011121314 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
在这里,它是一个逐点的讨论。
谢谢谢尔盖,你说到点子上了。
2) 输入的预处理(这个问题似乎很简单,也很开放,如果我们知道在这种情况下做什么以及如何做,我们可以讨论一下)
没有什么特别之处。有几个层次,每个层次都由霍德里克-普雷斯科特滤波器单独处理,没有偷看。
3)NS的数学。
一些实验表明,在一定范围内,网络参数对结果的影响可以忽略不计。太少会导致过度训练,太多则会导致过度饱和。
关于回声网络的问题,我已经准备好聊天了。我还不会公布代码,我有一些计划。
4) 国家安全局运作的 "组织 "问题。
如何/何时进行培训/再培训
顺便说一句,我还没有试图改变
,期间/间隔
也没有做任何认真的研究。我认为会有影响,甚至可能会有不同的时期,取决于工具。
解释专家顾问的工作逻辑--净输出的解释者
也没有认真研究,但从我所改变的内容来看,我认为不会有任何重大影响,虽然...将不得不再次检查。
, MM。
我完全看不出添加它的意义。潜在的盈利能力很容易用FS来估计。
- 为什么是 "回声"?你可能在里面被蒸过,告诉我优点和缺点。
首先,网络参数的回旋余地较小。不需要认为例如隐藏层比输入层小,就已经是数据压缩了,网络很有可能无法工作,等等。你不必考虑到网络其他地方的一堆小事。
简而言之,现在我用网络工作 -- 我只是抛出神经元、连接(某些数量、某些类型)。
我改编了它。我使用它。我并不关心里面发生了什么,所以我基本上得到一个方便的黑盒子。
几乎所有由MLP解决的问题都能由回声网络解决。
其次,我总是根据拓扑结构和输入/输出比率获得最佳解决方案
第三 -- 网络的适应时间(我刻意避免使用 "学习 "一词)被预测得非常准确,因为它使用了MLP,没有收敛,等等。
到目前为止,我只看到一个缺点--受健身函数的限制。也就是说,在理论上,我只能使用寻找FF等最小有效值误差的解决方案。当然,这可以通过遗传学习来绕过,但这样一来,回声网络的所有美感都会消失。
虽然没有,但还有一个,我不确定,但在我看来(我可能是错的),训练时间是以立方体增加的(与其说是训练,不如说是形成导数矩阵),所以训练一个有1000个神经元的网络将需要相当长的时间。
你当初是怎么挖出来的?
感谢同一个论坛:)来自我的朋友gpwr,对此我要非常感谢他:)
第2种类型的TC根本不是什么好事,我认为。
我认为,2型的工作更容易处理和分析结果。例如,正在讨论的项目的TC最初完全适合于2型。
a)你真的 确定输入/输出不能被改进吗?
当然不是。
b) 预处理:它是什么样子的?例如,你是否分析了输入值的分布?
归一化以某种形式存在,但没有对数据分布进行认真分析。
你是否对输入到网络输入中的缩减器做了任何脱脂处理(在文章中发现)?
我看了一下,很有意思。也许你可以分享你的使用经验?有什么结果、改进、特点、隐患?
你也可以尝试让电感器无轨。
让我们按照惯例,用蓝色矩形表示分析的数据区域(模式),用红色矩形表示预测的数据区域。在目前的实现中,红色区域的垂直大小通过一个比例系数取决于蓝色区域的大小(应该取决于蓝色区域的数据内容,而不是区域的大小)。下面是两个我们看到差异的例子。
и
我们看到,红色矩形的尺寸在第一个屏幕中比蓝色矩形的尺寸要小,在第二个屏幕中要大。
信号的归一化是相对于垂直尺寸而言的。
因此,我认为我们不应该用样本大小来规范化,而应该用整个训练样本的大小来规范化。这似乎降低了电网的预测能力。
有一个与之相关的不便之处(这就是我选择这种配给方式的原因),但似乎无法逃避--我们应该再跑一遍训练样本,以获得最大和最小值。
很明显,在目前的实现中,来自模式的信号分布在最大值和最小值的区域内有很大的偏移(这是不好的),因为每个模式都有值1和值-1。
在我看来,我们应该从这些变化开始。
你不是这样向我解释的 :) 。我想我现在同意了。
不,不是反过来。我告诉你,语言很难解释,图片更容易。对说话人和听话人都是如此。;)
PS 至于关于学习获利的预测领域--这仍然是事实,我正在努力。
我使用以下算法对价格进行了实验。
1) 从Close获得一系列的第一次差异(FDD)。
2) 计算FFD模块的移动平均线(我取了25个周期)。
3) 用FFD除以移动平均数
我们得到了FFD,它是更稳定的。你可以用累积总和回到一个伪价格系列。
我看到你没有使用RRR。你是否对价格序列使用了趋势去除?或者你只是简单地将价格系列归一到一个特定的范围?
renegate:
你是否对价格系列使用了趋势删除法?
这里也有更多细节。
或者你只是简单地将价格范围正常化为一个给定的范围?
目前,规范化是在模式描述中进行的。
现在我将对整个模式集进行标准化处理。这应该不会太难。
我想试着附和泯灭,但这里会比较复杂。我将考虑一下。
要做到这一点,有必要接受一个公理,即价格序列是由趋势、周期和噪音成分组成的。
我们从价格系列中减去趋势部分。我可以想到3种方法。
1)做主成分分析(AGC或PCA),将第一个主成分清零。
2)从价格系列中减去一个muving。其周期可以通过眼睛或通过优化或光谱分析来选择
3)找到整个价格系列的线性回归,并从价格中减去。
之后,我们得到一个只包含周期性和噪音成分的系列。将它们归一化为一个特定的范围是很方便的。
我使用以下算法对价格进行了实验。
1) 从Close获得一系列的第一差值(FDR)。