А из каких соображений выбран именно этот тип сети, почему не Хопфилд или Кохонен, или еще какая нибудь?
Поясните мне как начинающему "нейроисследователю" такую вещь... я так понимаю что сеть о которой идет речь это многослойный перцептрон.
Вобще, работа сети завораживает. Она как будто чувствует тенденцию цены и словно притягивается в своём прогнозе к ней как к магниту!
Выигрыш по быстродействию в 10000 раз!
Видно, что аналитический вариант на трендовом участке ВР подвирает по непонятным для меня причинам. Зато время счёта этой задачи по ОРО-методу составляет 10 сек, а для аналитики - 0.001 сек.
Кстати, я разобрался с аналитическим решением систем уравнений для весов НС. На рис. чёрным показан обычный метод тренировки НС обратным распространением ошибки (ОРО) число эпох 1000 а синим аналитическое решение. Обучение НС происходит на каждом шаге, прогноз на шаг вперёд.
Всё верно. Можно ещё упомянуть о присущей рыночным ВР нестационарности, что ставит крест на традиционных методах статанализа и даёт ещё одно очко в пользу НС.
Теоретически любая НС эквивалентна системе уравнений. И если она достаточно проста, дешевле записать эту систему в аналитическом виде и решить её относительно весов. Проблемы, а вместе с ними и необходимость хитрых методов обучения, начинают возникать по мере усложнения сети (то есть эквивалентной ей системы уравнений). Именно осознав этот факт я в своё время приостановил начатое из интереса знакомство с сетями. Просто решил, что сначала нужно таки придумать модель, а уж потом искать наиболее экономные способы её разрешения. Мне до сих пор кажется, что применение методов НС оправдано только для о-очень сложных моделей :) .
Это скорее филосовкий вопрос. Дело в том, что "сложных" архитектур НС бесконечно сного, а максимально простых - одна! Это однослойный перцептрон. Вданном случае реализован он с нелинейной функцией активации.
А из каких соображений выбран именно этот тип сети, почему не Хопфилд или Кохонен, или еще какая нибудь?
Поясните мне как начинающему "нейроисследователю" такую вещь... я так понимаю что сеть о которой идет речь это многослойный перцептрон.
Теоретически любая НС эквивалентна системе уравнений. И если она достаточно проста, дешевле записать эту систему в аналитическом виде и решить её относительно весов. Проблемы, а вместе с ними и необходимость хитрых методов обучения, начинают возникать по мере усложнения сети (то есть эквивалентной ей системы уравнений). Именно осознав этот факт я в своё время приостановил начатое из интереса знакомство с сетями. Просто решил, что сначала нужно таки придумать модель, а уж потом искать наиболее экономные способы её разрешения. Мне до сих пор кажется, что применение методов НС оправдано только для о-очень сложных моделей :) .
Зато весь расчёт занимает 1 милисекунду.
Это "ТОЧНОЕ" аналитическое решение для весов однослойной нелинейной НС:
Несло-несло и пронесло ;-)
или , чтобы создать новую тему
| 15
Cтатья: Прогнозирование цен с помощью нейронных сетей
Индикатор, Автор: Скриншот Demo Попробуйте продукт Автор: Подпишитесь на сигнал
Cтатья: Прогнозирование цен с помощью нейронных сетей - MQL4 форум
Комментариев нет:
Отправить комментарий