В нашей библиотеке: 321 книг 226 авторов 0 статей За всё время нас посетило 891062 человек которые просмотрели 17562708 страниц.
Читатели оставили 10 отзывов о писателях, 70 отзывов о книгах и 6 о сайте


Название: Энциклопедия торговых стратегий

Автор: Джеффри Оуэн Кац

Жанр: Технический анализ

Рейтинг:

Просмотров: 1794

Страница: | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 | 100 | 101 | 102 | 103 | 104 | 105 | 106 | 107 | 108 | 109 | 110 | 111 | 112 | 113 | 114 | 115 | 116 | 117 | 118 | 119 | 120 | 121 | 122 | 123 | 124 | 125 | 126 | 127 | 128 | 129 | 130 | 131 | 132 | 133 | 134 | 135 | 136 | 137 | 138 | 139 | 140 | 141 | 142 | 143 | 144 | 145 | 146 | 147 | 148 | 149 | 150 | 151 | 152 | 153 | 154 | 155 | 156 | 157 | 158 | 159 | 160 | 161 | 162 | 163 | 164 | 165 | 166 | 167 | 168 | 169 | 170 | 171 | 172 | 173 | 174 | 175 |




Нейронные сети с прямой связью

 

Сеть с прямой связью состоит из слоев  нейронов. Первый слой,  входной,

получает  информацию или вводы  извне.   Этот слой  состоит из независи-

254                                                                                  ЧАСТЬ II   ИССЛЕДОВАНИЕ входов в РЫНОК

 

мых переменных, например значении цен или индикаторов, на которых основывается система  в последующих заключениях или  прогнозах. Этот слой имеет множество связей  со следующим, называемым скрытым сло- ем,  поскольку он не имеет связей  с внешним миром.  Выходы  этого  слоя подаются на следующий слой,  который может быть также скрытым (если это так, то процесс повторяется) или выходным слоем.  Каждый из нейро- нов выходного слоя выдает сигнал,  основанный на прогнозах, классифи- кациях или  решениях,  сделанных сетью.  Сети  обычно  определяются по количеству нейронов в каждом  слое;  например сеть 10-3-1  состоит  из  10 нейронов во входном,  3 в скрытом и 1 в выходном слое. Сети бывают раз- личного размера  — от нескольких нейронов до тысяч и от всего трех сло- ев до десятков; сложность зависит  от размаха  решаемой задачи.  Практи- чески  всегда  бывает  достаточно трех-четырех слоев.

Нейронные сети с прямой связью (аналоги использованной в этой гла- ве) включают особую форму нелинейной множественной регрессии. Сеть берет ряд входных переменных и использует их для прогнозирования цели задания, как и при  регрессии. В стандартной множественной линейной регрессии, например, если ставится задача предсказать уровень холесте- рола  (зависимая переменная) на основе  потребления жиров  и физичес- кой  нагрузки (независимые входные  переменные), то данные  будут мо- делироваться следующим образом: прогнозируемый уровень  холестеро- ла  =  а  +  b х потребление жиров  +  с X нагрузку,  где значения a, b и с будут определяться статистической процедурой. Будет производиться поиск  множества решений задачи,  которое  может  быть линией, плоско- стью или  гиперплоскостью (в зависимости от количества переменных) согласно правилу наименьших квадратов. В вышеприведенной задаче все решения находятся на плоскости: ось х представляет потребление жиров, ось у—физическую нагрузку,  высота плоскости в каждой точке (х, у) пред- ставляет  собой  прогнозируемый уровень  холестерола.

При использовании технологии нейронных сетей двумерная плоскость или n-мерная гиперплоскость множественной линейной регрессии заме- няется гладкой n -мерной изогнутой поверхностью с пиками и провалами, хребтами  и оврагами. Например, нам требуется найти оптимальное ре- шение для набора переменных, и задача будет сводиться к построению многомерной карты. В нейронной сети решение достигается при помощи

«нейронов» — взаимосвязанных нелинейных элементов, связи  которых сбалансированы так, чтобы подгонять поверхность подданные. Алгоритм обучения производит регулировку весов связей для получения максималь- но вписывающейся в исходные данные  конфигурации поверхности. Как и в случае со стандартной множественной регрессией, где коэффициен- ты регрессии необходимы для определения наклона гиперповерхности, для нейронной модели требуются параметры (в виде весов связей),  чтобы обеспечить наилучшее совпадение построенной поверхности, всех ее воз- вышений и впадин, с входными данными.

ГЛАВА 11    НЕЙРОННЫЕ  СЕТИ                                                                                                                                            255

 




Страница: | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 | 100 | 101 | 102 | 103 | 104 | 105 | 106 | 107 | 108 | 109 | 110 | 111 | 112 | 113 | 114 | 115 | 116 | 117 | 118 | 119 | 120 | 121 | 122 | 123 | 124 | 125 | 126 | 127 | 128 | 129 | 130 | 131 | 132 | 133 | 134 | 135 | 136 | 137 | 138 | 139 | 140 | 141 | 142 | 143 | 144 | 145 | 146 | 147 | 148 | 149 | 150 | 151 | 152 | 153 | 154 | 155 | 156 | 157 | 158 | 159 | 160 | 161 | 162 | 163 | 164 | 165 | 166 | 167 | 168 | 169 | 170 | 171 | 172 | 173 | 174 | 175 |

Оцените книгу: 1 2 3 4 5

Добавление комментария:






Информацию в электронную библиотеку yourforexschool.com добавляют исключительно для ознакомления. Если вы являетесь автором книги или компанией которая имеет права распространения и вы хотите чтоб на сайте не было вашей книги, то напишите в обратную связь и мы незамедлительно удалим её.

Копирование материалов сайта разрешено только с использованием активной ссылки на yourforexschool.com Copyright © 2010