Вы используете устаревший браузер. Этот и другие сайты могут отображаться в нем неправильно. Необходимо обновить браузер или попробовать использовать другой.
Ща уже пылесосы с этим есть!)) (на ручке кнопка такая есть!! ну шоб тюль или простыню не всасать!!))
Сам пылесос все регулирует: на полу - сдабее, а по ковру - усиливается!) Кофеварки тож с нечеткой логикой есть!
А электрочайником вообще по телефону управлять можно хоть с другого континета!!!) (только нафига им управлять там если он тут??!!))
можно вполне расширить - сказав что нейросети управляются отдельно
спинным, отдельно головным мозгом
и там и там тоже есть отдельные участки, отвечающие за отдельные функции
вот только нейросети - нельзя загонять в рамки "сетов"
или "настроек" ...
Ну рисунке выше можно увидеть три слоя сети - Слой 1 является входным слоем, где сеть принимает внешние входные данные. Слой 2 называют скрытым слоем, этот слой не является частью ни входа, ни выхода. Примечание: нейронные сети могут иметь несколько скрытых слоев, в данном примере для примера был показан лишь один. И наконец, Слой 3 является исходным слоем. Вы можете заметить, что между Шаром 1 (Ш1) и Шаром 2 (Ш2) существует много связей. Каждый узел в Ш1 имеет связь со всеми узлами в Ш2, при этом от каждого узла в Ш2 идет по одной связи к единому выходному узлу в Ш3. Каждая из этих связей должна иметь соответствующий вес.
Например, предполагаю, каждый слой отвечает за выделение одного из "параметров" в общей ленте котировок
первый, отвечает за прием данных, в виде
дата / открытие / максимум / минимум / закрытие / объем
второй слой, отвечает за разбивку на таймфреймы (произвольные, удобные только ему? / или фиксированные "стандартные" типа М1, м5, м15, м30, ... д1, неделя, месяц?)
третий слой, отвечает, например, за что? За покупку или продажу?
по цене и результат?
Пример кода нейронной сети обучающейся без учителя
Краткое описание глобальных переменных:
HEBB, SIGNAL_HEBB, KOHONEN – типы обучения нейросети. Присваивается в переменной LEARNING_TYPE.
Layers – количество слоев нейронной сети, определяется автоматически из заданного массива GNeuro[]. В GNeuro первый элемент – это количество входов, последний – количество выходов нейросети. То, что между – соответственно количество нейронов скрытых слоев. Например:
GNeuro[4, 8, 12, 6] – задает нейросеть с 4 слоями, во входном слое 4 нейрона (которые только распределяют входной сигнал на следующий слой), 8 – количество нейронов в первом скрытом слое, 12 – количество нейронов во втором скрытом слое, 6 – количество нейронов в выходном слое.
GMatrix – матрицы весов сети, первое измерение – номер слоя -1, дальше i и j матрицы.
Input – входной вектор;
Output – выходной (предустановленный – не используется).
Краткое описание функций:
start() – собственно здесь пишется последовательность функций, которые надо выполнять.
SetParams() – установка параметров сети, инициализация матриц.
InitNet() – загоняем рандомом веса синаптических связей нейросети.
Calc() – расчет выхода нейросети по заданному номеру входного образца.
TestCalc() – тестовая, для проверки правильно ли перемножает сеть матрицы и вектора.
SetIO() – установка входов.
Hebb() – здесь в цикле рандомом выбираются примеры для обучения и сеть пытается обучиться.
Если имеются благодарности, то они принимаются на WMR R398365873120
Возможна доработка исходников под конкретную задачу (за отдельную плату).
