العصبية شبكة التحرك من المتوسط

الشبكة العصبية 2 المتوسطات المتحركة A الشبكة العصبية خبير مستشار على أساس اثنين من المتوسطات المتحركة مع وضع التدريب. تدريب مستشار الخبراء على أمثلة مختارة وتحقيق الربح في الحياة الحقيقية. يمكن ل إي العمل على أي صك وفي أي إطار زمني. خوارزمية التداول من إي يتم تحليل متوسطين متحركين من قبل الشبكة العصبية الأساسية، التي تنتج أوامر لشراء أو بيع. يتم توفير قيم متوسطين متحركين وسرعة (فما) وبطيئة (سما) للطبقة الأولى، أما في الطبقة الثانية فهي تحسب اثنين من الخلايا العصبية المسؤولة عن شراء (N شراء) وبيع (N بيع)، وقرار الشراء أو البيع في المستوى الثالث. مخطط الرسم البياني للشبكة العصبية هو مبين في الشكل. خبير مستشار التدريب في وضع التدريب يتذكر إي قيم المتوسطات المتحركة التي تميز المستخدم على الرسم البياني لأداة العملة. في المستقبل، أثناء التشغيل العادي، فإنه يعترف قيم المتوسطات المتحركة. لتدريب علامة إي على الأقل واحدة طويلة واحدة وقصيرة التجارة على الرسم البياني. للإشارة إلى استخدام تجارة طويلة السهم شراء، وللتجارة قصيرة استخدام بيع السهم. يمكنك وضع المزيد من الأسهم على الرسم البياني. والمزيد من الأسهم، ويعد سيكون عملية التدريب. وجود أي أشياء أخرى على الرسم البياني غير الأسهم ليست مرغوبة. بعد التدريب، سيتم إنشاء المجلد ن 2MA في المجلد المشترك من المحطة. وسوف تحتوي على ملف HHHHHHNNMA. bin مع إعدادات الشبكة العصبية المدربة. هسسكس في اسم الملف هو اسم الأداة المالية. في التشغيل العادي، إي تحميل البيانات من الملف. إذا لم يتم العثور على الملف، فإنه سيتم استخدام الإعدادات الافتراضية. بشكل افتراضي، يتم تدريب إي على أوسجبي والإطار الزمني لمدة ساعة واحدة، يتم اختيار الصفقات في عام 2012. المعلمات المدخلات التالية هي المسؤولة عن التدريب إي: عدد الأوزان لكل عصبون. يساوي طول ما. الافتراضي - 48. عدد دورات التدريب - التخلف عن السداد 100. كلما ارتفعت القيمة، كلما كانت عملية التدريب أطول. في النسخة التجريبية هو 10. عامل ب - تؤثر القيمة على سرعة تصحيح الأوزان من الخلايا العصبية، ويستخدم لتدريب الشبكة. القيمة الافتراضية هي 0.7، لا تحتاج إلى تغيير. وضع التعلم إي - تمكن وضع التدريب من إي. أمثلة على تحديد الصفقات لتدريب إي متوفرة في الشكل. إعدادات الوضع العادي إعدادات المتوسطات المتحركة يمكنك ضبط إعدادات كل متوسط ​​متحرك: الفترة، والسعر، ووضع الحساب. حجم النظام - الافتراضي هو 0،1. قيمة الانزلاق في النقاط - الافتراضي هو 30. عدد المحاولات لفتح موقف - الافتراضي هو 5. مستوى ستوبلوس في نقاط - الافتراضي هو 0. مستوى تاكيبروفيت في نقاط - الافتراضي هو 0. المستوى ترايلينغستوب في نقاط - الافتراضي هو 650. السماح إدارة الأموال - السيطرة على حجم النظام لدخول السوق، التي مكنتها ديفالت. إذا تم تعطيل الوضع، يتم أخذ حجم الطلب من حجم المعلمة النظام. حجم أوامر كنسبة مئوية من الودائع - تستخدم للسيطرة على حجم النظام، والتقصير هو 5 في المئة. إضافة إلى الموقف المفتوح - تمكين افتراضيا. إذا كان هناك إشارة لدخول السوق في اتجاه موقف مفتوح، إي يدخل السوق. إعدادات الشبكة العصبية عدد الأوزان لكل عصبون. يساوي طول ما. وكلما ارتفعت القيمة، كلما تم التعرف على حالة السوق الحالية بشكل أكثر دقة، إلا أنها تقلل من عدد الصفقات. كلما كانت القيمة أقل، كلما تم الاعتراف بالدولة الأقل دقة، إلا أن عدد الصفقات يزيد. قيمة تنشيط الخلايا العصبية. القيمة هي تقريبا 0.75 من قيمة عدد الأوزان لكل عصبون. كلما كانت القيمة أعلى، كلما كان أكثر صرامة هو اختيار الخلايا العصبية لاتخاذ قرار. في النسخة التجريبية هو 40. عدد دورات التدريب - الافتراضي هو 100. عامل ب سرعة تصحيح الوزن، الافتراضي هو 0.7. وضع التعلم إي وضع التدريب إي. خلال التدريب، سيتم عرض القيم القصوى للخلايا العصبية في التعليقات على الرسم البياني. ويمكن استخدام هذه القيم كقيمة تنشيط للخلايا العصبية. ويرد مثال على ذلك في الشكل. تمكين التعليقات - تمكن التعليقات على الرسم البياني. السحر عدد من المستشارين. توقف مؤقتا بعد التداول بالميلي ثانية. افتراضيا، يتم تدريب إي على أوسجبي H1 على اثنين من الصفقات في عام 2012. ويرد نتيجة اختبار مستشار الخبراء في عام 2013. في الشكل. الشبكة العصبية 2 المتوسطات المتحركة A الشبكة العصبية خبير مستشار على أساس اثنين من المتوسطات المتحركة مع وضع التدريب . تدريب مستشار الخبراء على أمثلة مختارة وتحقيق الربح في الحياة الحقيقية. يمكن ل إي العمل على أي صك وفي أي إطار زمني. خوارزمية التداول من إي يتم تحليل متوسطين متحركين من قبل الشبكة العصبية الأساسية، التي تنتج أوامر لشراء أو بيع. يتم توفير قيم متوسطين متحركين وسرعة (فما) وبطيئة (سما) للطبقة الأولى، أما في الطبقة الثانية فهي تحسب اثنين من الخلايا العصبية المسؤولة عن شراء (N شراء) وبيع (N بيع)، وقرار الشراء أو البيع في المستوى الثالث. مخطط الرسم البياني للشبكة العصبية هو مبين في الشكل. خبير مستشار التدريب في وضع التدريب يتذكر إي قيم المتوسطات المتحركة التي تميز المستخدم على الرسم البياني لأداة العملة. في المستقبل، أثناء التشغيل العادي، فإنه يعترف قيم المتوسطات المتحركة. لتدريب علامة إي على الأقل واحدة طويلة واحدة وقصيرة التجارة على الرسم البياني. للإشارة إلى استخدام تجارة طويلة السهم شراء، وللتجارة قصيرة استخدام بيع السهم. يمكنك وضع المزيد من الأسهم على الرسم البياني. والمزيد من الأسهم، ويعد سيكون عملية التدريب. وجود أي أشياء أخرى على الرسم البياني غير الأسهم ليست مرغوبة. بعد التدريب، سيتم إنشاء المجلد ن 2MA في المجلد المشترك من المحطة. وسوف تحتوي على ملف HHHHHHNNMA. bin مع إعدادات الشبكة العصبية المدربة. هسسكس في اسم الملف هو اسم الأداة المالية. في التشغيل العادي، إي تحميل البيانات من الملف. إذا لم يتم العثور على الملف، فإنه سيتم استخدام الإعدادات الافتراضية. بشكل افتراضي، يتم تدريب إي على أوسجبي والإطار الزمني لمدة ساعة واحدة، يتم اختيار الصفقات في عام 2012. المعلمات المدخلات التالية هي المسؤولة عن التدريب إي: عدد الأوزان لكل عصبون. يساوي طول ما. الافتراضي - 48. عدد دورات التدريب - التخلف عن السداد 100. كلما ارتفعت القيمة، كلما كانت عملية التدريب أطول. في النسخة التجريبية هو 10. عامل ب - تؤثر القيمة على سرعة تصحيح الأوزان من الخلايا العصبية، ويستخدم لتدريب الشبكة. القيمة الافتراضية هي 0.7، لا تحتاج إلى تغيير. وضع التعلم إي - تمكن وضع التدريب من إي. أمثلة على تحديد الصفقات لتدريب إي متوفرة في الشكل. إعدادات الوضع العادي إعدادات المتوسطات المتحركة يمكنك ضبط إعدادات كل متوسط ​​متحرك: الفترة، والسعر، ووضع الحساب. حجم النظام - الافتراضي هو 0،1. قيمة الانزلاق في النقاط - الافتراضي هو 30. عدد المحاولات لفتح موقف - الافتراضي هو 5. مستوى ستوبلوس في نقاط - الافتراضي هو 0. مستوى تاكيبروفيت في نقاط - الافتراضي هو 0. المستوى ترايلينغستوب في نقاط - الافتراضي هو 650. السماح إدارة الأموال - السيطرة على حجم النظام لدخول السوق، التي مكنتها ديفالت. إذا تم تعطيل الوضع، يتم أخذ حجم الطلب من حجم المعلمة النظام. حجم أوامر كنسبة مئوية من الودائع - تستخدم للسيطرة على حجم النظام، والتقصير هو 5 في المئة. إضافة إلى الموقف المفتوح - تمكين افتراضيا. إذا كان هناك إشارة لدخول السوق في اتجاه موقف مفتوح، إي يدخل السوق. إعدادات الشبكة العصبية عدد الأوزان لكل عصبون. يساوي طول ما. وكلما ارتفعت القيمة، كلما تم التعرف على حالة السوق الحالية بشكل أكثر دقة، إلا أنها تقلل من عدد الصفقات. كلما كانت القيمة أقل، كلما تم الاعتراف بالدولة الأقل دقة، إلا أن عدد الصفقات يزيد. قيمة تنشيط الخلايا العصبية. القيمة هي تقريبا 0.75 من قيمة عدد الأوزان لكل عصبون. كلما كانت القيمة أعلى، كلما كان أكثر صرامة هو اختيار الخلايا العصبية لاتخاذ قرار. في النسخة التجريبية هو 40. عدد دورات التدريب - الافتراضي هو 100. عامل ب سرعة تصحيح الوزن، الافتراضي هو 0.7. وضع التعلم إي وضع التدريب إي. خلال التدريب، سيتم عرض القيم القصوى للخلايا العصبية في التعليقات على الرسم البياني. ويمكن استخدام هذه القيم كقيمة تنشيط للخلايا العصبية. ويرد مثال على ذلك في الشكل. تمكين التعليقات - تمكن التعليقات على الرسم البياني. السحر عدد من المستشارين. توقف مؤقتا بعد التداول بالميلي ثانية. افتراضيا، يتم تدريب إي على أوسجبي H1 على اثنين من الصفقات في عام 2012. ويظهر نتيجة اختبار مستشار الخبراء في عام 2013.Brain المستوحاة الأنظمة المعرفية (بيكس 2006) التفاعل بين الطبيعية والحساب الاصطناعي (إويناك 2007) تحسين من النماذج المتحركة المتكاملة الانحدار التلقائي باستخدام المنطق الضبابي والشبكات العصبية الاصطناعية (أنس) مهدي خاشي. مهدي بيغاري غلام علي رايسي أردالي قسم الهندسة الصناعية، جامعة أصفهان للتكنولوجيا، أصفهان، إيران استلمت في 15 يوليو / تموز 2007. مراجعة في 22 أبريل / نيسان 2008. تم قبولها في 29 أبريل / نيسان 2008. متوفر على الإنترنت في 20 مايو / أيار 2008. نقلت من قبل G. P. تشانغ الوقت سلسلة التنبؤ هو مجال البحوث النشطة التي جذبت اهتماما كبيرا للتطبيقات في مجموعة متنوعة من المجالات. تعد نماذج املتوسط املتحرك املتكامل التلقائي) أريما (واحدة من أهم املسلسالت الزمنية املستخدمة يف التنبؤ بالسوق املالية عىل مدى العقود الثالثة املاضية. وتشير الأنشطة البحثية الأخيرة في التنبؤ بالسلاسل الزمنية إلى أن اثنين من القيود الأساسية ينتقصان من شعبيتهما بالنسبة للتنبؤ بسلسلة زمنية مالية: (أ) تفترض نماذج أريما أن القيم المستقبلية لسلسلة زمنية لها علاقة خطية بالقيم الحالية والسابقة وكذلك مع الضوضاء البيضاء ، لذلك قد لا تكون التقريبات من قبل نماذج أريما كافية للمشاكل غير الخطية المعقدة و (ب) نماذج أريما تتطلب قدرا كبيرا من البيانات التاريخية من أجل تحقيق نتائج دقيقة. وقد بينت النتائج النظرية والتجريبية أن دمج النماذج المختلفة يمكن أن يكون وسيلة فعالة لتحسين أدائها التنبئي، خاصة عندما تكون النماذج في المجموعة مختلفة تماما. في هذه الورقة، يتم دمج نماذج أريما مع الشبكات العصبية الاصطناعية (أنس) والمنطق غامض من أجل التغلب على القيود الخطية والبيانات من نماذج أريما، وبالتالي الحصول على نتائج أكثر دقة. وتشير النتائج التجريبية للتنبؤ بالأسواق المالية إلى أن النماذج الهجينة تظهر تحسنا فعالا في دقة التنبؤ بحيث يمكن استخدام النموذج المقترح كبديل لأدوات التنبؤ بالأسواق المالية. المتوسط ​​المتحرك المتكامل الانحداري التلقائي (أريما) التنبؤ بالسلاسل الزمنية الشبكات العصبية الاصطناعية المنطق الضبابي الأسواق المالية سعر الصرف الشكل 1. الشكل 2. الشكل 3. الجدول 2. الشكل 4. الجدول 4. الشكل 5. الشكل 6. الجدول 6. شكل 7. شكل 8. ولد مهدي خاشي في عام 1979 في أصفهان، إيران. درس الهندسة الصناعية في جامعة أصفهان للتكنولوجيا وحصل على درجة الماجستير في الهندسة الصناعية في عام 2005. وهو مؤلف أو شارك في تأليف حوالي 13 ورقة علمية في المجلات الدولية أو الاتصالات إلى المؤتمرات مع لجنة المراجعة. يجمع بحثه الحالي بين النماذج المتحركة المتتالية والمتحركة (أريما) مع الشبكات العصبية الاصطناعية (أنس) والمنطق الضبابي لتوقعات السلاسل الزمنية. وتشمل اهتماماته البحثية نماذج حسابية من الدماغ، والمنطق غامض، والحوسبة الناعمة، تقريب غير الخطية، والتنبؤ سلسلة زمنية. حصل على شهادة البكالوريوس في الهندسة الصناعية، 1987، ماجستير في تخطيط النظام، 1990، من جامعة أصفهان للتكنولوجيا (إيوت)، ودكتوراه في الهندسة الصناعية 2002، جامعة شريف للتكنولوجيا. وقد حاضر في قسم الهندسة الصناعية في الجامعة الإسلامية منذ عام 1991. وتكمن أبحاثه في مجال إدارة المشاريع والمحاكاة وتخطيط الإنتاج والأساليب الوصفية الفوقية والتحسين والتنبؤ بالسلاسل الزمنية ونظم المعلومات. وقد نشر العديد من الأوراق في تخطيط الإنتاج، والتنبؤ السلاسل الزمنية، والتحسين. غلام علي الريسي أردالي أستاذ مساعد في الهندسة الصناعية بجامعة أصفهان للتكنولوجيا. حصل على شهادة البكالوريوس في علم المعلومات، 1975، من معهد الإحصاء والمعلوماتية، طهران، إيران، ماجستير في الإحصاء التطبيقي، 1977، من جامعة برونيل، إنجلترا، ودكتوراه في التكنولوجيا الصناعية، 1980، من جامعة برادفورد، انكلترا. اهتماماته البحثية هي إدارة الجودة الشاملة، ومراقبة الجودة الإحصائية، والتنبؤ بالسلاسل الزمنية، والشبكات العصبية، وإدارة سلسلة التوريد. كاتب المقابلة. الهاتف. 98 311 3912550 1 فاكس: 98 311 3915526. حقوق النشر محفوظة لشركة إلزيفير B. V. جميع الحقوق محفوظة. نقلا عن مقالات () تطوير الشبكة العصبية للتنبؤ المالي من قبل: لو مندلسون وقد أجريت بحوث واسعة حول تطبيق الشبكات العصبية للتنبؤ المالي في بيئة التجارة المعولمة اليوم. ما يجعل هذا الاستخدام الخاص للذكاء الاصطناعي جذابا جدا للمحللين الماليين والتجار هنا، لو مندلسون من تقنيات السوق يسلط الضوء على بعض هذه القضايا ويحدد أهدافا لتدريب الشبكات العصبية. ومع التقدم المحرز في تكنولوجيات الحاسوب والاتصالات السلكية واللاسلكية اليوم، أصبحت الاقتصادات الرئيسية والأسواق المالية في العالم تتزايد أكثر فأكثر. ومع تسارع هذا الاتجاه، أصبحت الأسواق المالية مترابطة أكثر فأكثر وستصبح العوامل الأساسية ذات أهمية متزايدة لتحليل الأسواق المالية. في السوق العالمية، فإن الأسلوب السائد للتحليل الفني - الذي يتم فيه وضع نموذج واحد للسوق من خلال المحاكاة التاريخية واختبار الظهر لسلوك السعر السابق - يفقد بسرعة ميزته التنافسية حيث أن المؤسسات والتجار الأفراد على حد سواء يتزايد تطبيقهم للاصطناعية (الذكاء الاصطناعي) للتنبؤ المالي. وتبين البحوث الحديثة أن هذا المجال غير الخطية يمكن أن يكون على غرار أكثر دقة مع هذه التكنولوجيات من مع الأساليب الإحصائية الخطية والسوق واحدة التي كانت الدعامة الأساسية للتحليل الفني على مدى العقد الماضي. وبسبب هذه العوامل أن مجال منظمة العفو الدولية تستحق نظرة فاحصة. نتيجة هذه المطالب الجديدة هي ظهور طريقة تحليلية جديدة تدمج التحليل الفني والأساسي مع التركيز الأحدث على التحليل بين الشركات. وتعرف هذه الطريقة التحليلية مجتمعة بتحليل السوق التآزري، أو التحليل التآزري. هذه الطريقة الجديدة للتحليل، باستخدام أدوات الذكاء الاصطناعي، توليف البيانات التقنية، والتسويقية والبيانات الأساسية ضمن إطار تحليلي، مما أدى إلى قدرات التنبؤ أفضل وتحديد مسبق للتغيرات الاتجاه والسماح للتجار للاستفادة من أوجه القصور في السوق في الأسواق العالمية في 1990s. يتم تطبيق أدوات مثل الشبكات العصبية، ونظم الخبراء والمعرفة، والتعلم الآلي، والمنطق الضبابي، والمويجات، ونظرية الفوضى والخوارزميات الجينية في مختلف الصناعات. وعلى نفس المنوال، يمكن تطبيق الشبكات العصبية على التنبؤ المالي لأن الشبكات العصبية أثبتت أنها قوية ومرنة من الناحية التكنولوجية، وهي مناسبة بشكل مثالي لإجراء تحليل متناغم. الشبكات العصبية الاصطناعية الشبكات العصبية الاصطناعية هي نماذج تعتمد على عمل الدماغ البشري، وذلك باستخدام نهج المعالجة الموزعة للحساب. الشبكات العصبية قادرة على حل مجموعة واسعة من المشاكل من خلال تعلم نموذج رياضي للمشكلة: ويمكن بعد ذلك استخدام نموذج لرسم بيانات المدخلات إلى بيانات الإخراج. أي شيء يمكن أن تكون ممثلة كعدد يمكن أن تغذي في الشبكة العصبية. المؤشرات الفنية والبيانات الأساسية والسعر المتعلقة بسوق الهدف واحد، فضلا عن البيانات بين السوق التي تؤثر على السوق المستهدفة، ويمكن أن تغذي كل شيء في الشبكة العصبية واحدة وتستخدم للتنبؤ الأسعار واتجاهات الاتجاه للسوق المستهدفة. وتتكون الشبكات العصبية الاصطناعية من عناصر معالجة فردية مترابطة (بيس). هذه بيس هي مماثلة للخلايا العصبية في الدماغ، ويشار أيضا باسم الخلايا العصبية. كل بي سينسريسيفس البيانات تفروم غيرها من المؤسسات العامة. ومن الناحية الرياضية، فإن النموذج القياسي بسيط نسبيا. وتضاعف بيانات المدخلات (I0-إن) في كل بي على حدة في الوزن (W0-ون) المرتبط بالتوصيل إلى بي. يتم تلخيص هذه المنتجات بدورها وتمريرها من خلال وظيفة نقل، والتي تحول المبلغ إلى قيمة في فاصل زمني محدد - على سبيل المثال، بين صفر وواحد. ثم يتم ضرب الناتج من بي معين في وزن منفصل آخر وتغذية في عنصر المعالجة التالي. وإذا كان عنصر المعالجة في طبقة المخرجات، كما هو الحال في الشكل 1، فإن الناتج من عنصر المعالجة لا يضرب بالوزن، بل هو ناتج للشبكة نفسها. تحدد الهندسة المختارة للشبكة العصبية عدد عناصر المعالجة الموجودة في الشبكة والطريقة التي تربط بها. من المهم أن ندرك أن عنصر معالجة واحد هو قليل أو معدوم الاستخدام. هو الطريقة التي يتم تنظيمها بي الفردية لنموذج النظم غير الخطية المعقدة التي هي مهمة في تطبيق الشبكات العصبية للنمذجة المالية والتنبؤ. الاختلافات البارادیة یمکن استخدام الشبکات العصبیة في العدید من مجالات المشاکل العامة، بما في ذلك التصنیف والترشیح وترکیب الأنماط والتحسین والتصور والتنبؤ. الخطوة الأولى في إنشاء تطبيق الشبكة العصبية الاصطناعية ينطوي على تحديد فئة المشكلة المعنية ينتمي - ليس بالضرورة سهلا كما قد يبدو، لأن العديد من أنظمة الشبكة العصبية متميزة هي أكثر ملاءمة من غيرها لتطبيق معين. لأن هدفنا الأساسي هنا هو التنبؤ بالأسعار واتجاه الاتجاه، ومع ذلك، يمكن تصنيف هذه المشكلة على أنها تنبؤية واحدة. ويمكن استخدام العديد من النماذج المختلفة لأغراض تنبؤية. كل لديه عدد غير محدود تقريبا من الاختلافات، اعتمادا على كيفية تحديد المعلمات. ليس من المهم أن تختار النموذج المثالي لمشكلتك - إذا كان هناك شيء من هذا القبيل - كما هو الحال ببساطة لاختيار واحد هو أكثر أو أقل ملاءمة. الآن فحص نموذجين معروفين: تغذية إلى الأمام وشبكات تكرار الانتشار المتكرر. شبكات التغذية الخلفية (فيد-فوروارد باك-بروباغاتيون) شبكة التغذية المتعددة الطبقات، التي يشار إليها عادة على أنها شبكة خلفية أو شبكة خلفية، هي على الأرجح أكثر نماذج الشبكات شيوعا. ويبين الشكل 2 معمارية تمثيلية لشبكة الدعم الخلفي. وتتألف هذه الشبكات من طبقة دخل من الخلايا العصبية وبعض الطبقات المخفية وطبقة المخرجات. وتسمى الطبقات بين المدخلات والمخرجات الطبقات المخفية لأنها مخفية أساسا من وجهة نظر مطوري الشبكة والمستخدمين. على الرغم من أن شبكة الدعم الخلفي يمكن أن يكون لها أي عدد من الطبقات المخفية، واحد يكفي لإجراء أي تعيين المدخلات إلى الإخراج. هذا لا يعني أن طبقة خفية واحدة هي دائما العدد الأكثر من المرغوب فيه، ولكنها بالتأكيد مكان جيد للبدء. تشغيل الشبكة واضح نسبيا. وتقدم البيانات المدخلة - على سبيل المثال، التغيرات في بيانات الأسعار والمتوسطات المتحركة للأسعار والحجم والفائدة المفتوحة - إلى الشبكة عند طبقة الدخل. يتم تغذية القيم المرتبطة بكل الخلايا العصبية الإدخال الفردية في الطبقة الخفية الأولى. كل الخلايا العصبية المخفية يتلقى هذه القيم، مضروبا في الوزن المناسب، ويجمع لهم، ويدير لهم من خلال وظيفة نقل وتنتج الإخراج. ثم تغذي النواتج من الطبقة المخفية إلى الأمام إما في الطبقة المخفية التالية أو إلى طبقة المخرجات. ويفترض هذا العرض (الشكل 2) أن الطبقات متصلة تماما، حيث كل الخلايا العصبية في طبقة المدخلات لديها اتصال لكل الخلايا العصبية في طبقة خفية. وينطبق الشيء نفسه على الوصلات بين الطبقة المخفية وطبقة المخرجات. هذا لا يجب أن يكون هو الحال، ولكن هو قرار آخر يجب أن يتم عند تصميم شبكة. يتم اختيار القيم الأولية للأوزان عشوائيا في مراحل التدريب للشبكة العصبية، وهكذا، فإن المجموعة الأولى من قيم الإدخال (غالبا ما يشار إليها باسم ناقلات الإدخال) ربما لن تنتج ناقلات الإخراج المناسبة. على سبيل المثال، افترض أنك قد صممت شبكة للتنبؤ بالسعر الوسيط لأحد الأسهم في يوم واحد في المستقبل، استنادا إلى الاختلاف في المستويات المرتفعة والهبوط خلال اليومين الماضيين والمتوسط ​​المتحرك لإغلاق السهم خلال الخمسة أيام الماضية أيام. يمكنك تقديم الشبكة مع حقيقة واحدة، تتألف من ناقلات الإدخال ثلاثة قيمة، حيث تتوافق كل قيمة واحدة من المدخلات المذكورة، وناقلات الانتاج ذات القيمة الواحدة التي تمثل السعر المتوسط ​​أيام القادمة. ونتيجة لذلك، فإن الحقيقة الأولى المقدمة والتغذية من خلال الشبكة من المرجح أن تنتج ناتج مختلف جدا عن الناتج المطلوب. ما نريد أن تتعلمه الشبكة هو أن ناقلات الدخل التي أعطيت لها ينبغي أن تحتوي على العوامل التي من شأنها أن تنتج في نهاية المطاف متجه الإخراج الموردة. غير أن الشبكة، في محاولتها الأولى للقيام بذلك، تحدد مقياسا للخطأ بين ناتجها الناتج والمخرجات المرغوبة. ويتم ذلك لكل إخراج في طبقة الإخراج، والتي في هذه الحالة البسيطة هي واحدة فقط. ثم يتم تغذية الأخطاء مرة أخرى من خلال الشبكة، طبقة تلو طبقة، وتستخدم لضبط الأوزان من الاتصالات بين الخلايا العصبية للحد من الخطأ الكلي المرتبطة متجه الإخراج. بعد ذلك، يتم عرض وقائع مختلفة متفاوتة على الشبكة مرارا أثناء التدريب في محاولة للحد من الخطأ إلى مستويات مقبولة. في مشاكل بسيطة، قد يتم خفض مستوى الخطأ إلى الصفر، ولكن هذا ليس توقع واقعي في معظم التطبيقات في العالم الحقيقي. شبكات إعادة الانتشار المتكررة يتكون هذا النوع من الشبكة من طبقة وظيفية واحدة من عناصر المعالجة. ويظهر الشكل 3 تمثيل من طبقتين لجعل البنية أسهل في التصور. لاحظ الخلايا العصبية في الطبقة الأولى ترتبط تماما إلى الخلايا العصبية في الطبقة الثانية. الخلايا العصبية في الطبقة الثانية تغذية مرة أخرى في الطبقة الأولى مع واحد إلى واحد تعيين. وتمثل الطبقة الثانية تأخيرا زمنيا لمرور البيانات من خلال الشبكة. هذا النوع من العمارة يسمح صافي لتعلم العلاقات الزمنية. في شبكة إعادة التوجيه إلى الأمام، إذا كنت ترغب في عرض الحقائق التي تحتوي على الاختلافات في الارتفاع خلال الأيام الخمسة الماضية، يجب عليك أولا إنشاء ما يشار إليه كملف من البيانات الخاصة بك عن طريق بناء حقيقة مع إدخال ناقلات تحتوي على خمس قيم (واحد لكل فرق) ومخرجات للغد. سيكون لديك للقيام بذلك لكل فاكتيد قدم إلى الشبكة. بمعنى ما، تقوم بترميز المعلومات الزمنية التي تريد أن تستخدمها الشبكة (البيانات من الأيام الخمسة الماضية) في بيانات الإدخال نفسها. في حالة شبكة متكررة، على النقيض من ذلك، كنت بدلا من ذلك عرض بالتتابع كل لحظة الحقائق كالفرق واحد. لأن الشبكة يمكن أن تغذي مرة أخرى على نفسها، فإنه يمكن معرفة المعلومات الزمنية نتيجة للترتيب الذي يتم عرض الحقائق. في هذه الحالة، لا تحتاج إلى ترميز العلاقة الزمنية في بيانات الإدخال. لقد أجرينا بحوثا كبيرة مع كل من شبكات التغذية المتكررة والأخرى: ولكن معظم حزم تطوير الشبكات العصبية المتاحة تجاريا لا تتضمن نموذجا متكررا، ولذا سنركز بشكل أساسي على نماذج الدعم الخلفي. ولكل شبكة متكررة هناك شبكة تغذية للأمام مقابلة يمكن تصميمها بسلوك متطابق، بحيث يمكن نمذجة شبكة متكررة مع شبكة تغذية للأمام. معمارية الشبكة تتكون بنية الشبكة من وظيفة النقل، وعدد وتخطيط عناصر المعالجة والطريقة التي تكون مترابطة فيها. والمتطلبات العامة لوظيفة النقل في شبكة الدعم الخلفي هي أن تكون وظيفة غير خطية ومستمرة بشكل مستمر - وهي وظيفة توجد مشتقاتها عند كل نقطة وتسمح دالة مشتقاتها للشبكة بأداء نمذجة إحصائية غير خطية. وظائف النقل الأكثر شيوعا المستخدمة هي السيني و الظل القطعي: إما يمكن استخدامها بشكل فعال في شبكة الدعم الخلفي، على الرغم من أننا كثيرا ما أدركت نتائج أفضل مع وظيفة الظل القطعي. من حيث التخطيط والاتصال، وسوف نركز على ثلاث طبقات، والهندسة المعمارية متصلة تماما، كما هو مبين في الشكل 2. بالإضافة إلى وظيفة نقل وعدد من الطبقات، يجب علينا تحديد عدد الخلايا العصبية لكل طبقة، مع المدخلات والطبقات الانتاج، وهذا هو واضح. افترض أنك تحاول التنبؤ بالتغيير في نهاية سهم معين وترغب في القيام بذلك بناء على المتوسط ​​المتحرك لخمسة أيام من الإغلاق، ومتوسط ​​متحرك لمدة خمسة أيام للمتوسط ​​المتحرك وارتفاعه لمدة خمسة أيام من أدنى مستوى. الشبكة الخاصة بك تتطلب ثلاثة الخلايا العصبية المدخلات والخلايا العصبية الإخراج واحد. وبالنسبة لأي مشكلة غير خطية، مثل مشكلة التنبؤ بأسعار الأسهم أو السلع، فإن الشبكة تحتاج إلى طبقة مخفية واحدة على الأقل. اختيار عدد من الخلايا العصبية في طبقة (طبقات) خفية من شبكة الانتشار الخلفي هو واحد فقط من القرارات المعمارية التي يتعين اتخاذها. لا توجد قواعد صلبة وسريعة المتاحة لتحديد العدد الصحيح، لذلك يجب علينا الاعتماد على إما قواعد الخام من الإبهام أو التجريب أو كليهما. في كثير من الأحيان، تتطلب مشاكل أكثر تعقيدا عدد أكبر من الخلايا العصبية الخفية، ولكن وجدنا أن العديد من الخلايا العصبية الخفية يمكن أن يؤدي إلى شبكة التي يتم تركيبها بشكل مفرط على بيانات التدريب ومن غير المرجح أن تؤدي بشكل جيد على الحقائق غير المرئية الجديدة المستخدمة للاختبار. أين نذهب من هنا كيف نختار مكانا لبدء قد تنظر في العديد من المبادئ التوجيهية الصناعة: تبدأ مع عدد من الخلايا العصبية الخفية بين نصف عدد من الخلايا العصبية المدخلات ومرتين عدد من الخلايا العصبية المدخلات. تبدأ بمتوسط ​​عدد المدخلات بالإضافة إلى عدد من المخرجات أو ببساطة تأخذ الحد الأقصى من اثنين. جمع عدد من الخلايا العصبية المدخلات والمخرجات ومن ثم ضرب هذه القيمة عن طريق ثابت الضوضاء التي تختلف اعتمادا على كمية النسبية من الضوضاء في البيانات. الصاخبة البيانات، وارتفاع ثابت. ثم تنقسم النتيجة إلى العدد الإجمالي لأيام الحقائق المستخدمة للتدريب. اختيار نقطة البداية الأولية لعدد الخلايا العصبية الخفية يمكن أن يكون موضوعيا. بعد القيام بذلك، سوف تحتاج إلى تدريب عدد من الشباك، وتختلف عدد وحجم الطبقات المخفية. قد يكون من المستحسن القيام بذلك يدويا للتجار بدأت للتو تصميم شبكاتها العصبية الخاصة بهم، كما أنها سوف تساعد على أن تصبح أكثر دراية بالمقايضات المرتبطة بتغير القيم معلمة التدريب، بما في ذلك عدد من وحدات خفية. كما يمكنك كسب أكثر خبرة، وسوف تحتاج إلى أتمتة هذه العملية، منذ العثور على العدد الأمثل من الخلايا العصبية المخفية يستلزم بحث منهجي تستغرق وقتا طويلا. عند تطوير الشبكات العصبية، لا يوجد عامل واحد، مثل عدد الوحدات المخفية، يتحكم في النهاية في مستوى أداء الشبكة. اختيار البيانات ونوعيتها، تقنيات معالجة البيانات، تحسين معايير التدريب وإجراءات الاختبار كلها تؤثر على أداء الشبكة. وسيتم النظر في هذه القضايا بتفصيل أوثق في المواد اللاحقة، فضلا عن العديد من المشاكل التي قد تنشأ في كل مرحلة من مراحل تطوير الشبكة العصبية. بعد ذلك، سأحدد القضايا الهامة التي تنطوي على البيانات التقنية والأساسية والتسويقية المستخدمة في الشبكات العصبية، وسأدرس أيضا طرق اختيار المدخلات الخام وكيفية تجهيز هذه المدخلات قبل دخولها الشبكة. لو مندلسون هو رئيس تقنيات السوق، ويسلي تشابل، فل. وهي شركة أبحاث وتطوير واستشارات تشارك في تطبيق الذكاء الاصطناعي لتحليل السوق التآزري. ويمكن الوصول إليه على الرقم 813-973-0496. المراجع: هيشت-نيلسن، R. 1990. نيوروسكومبوتينغ، أديسون-ويسلي بوبليشينغ كومباني، Inc. مندلسون، لو 1991. أساسيات تطوير نظام التداول العصبي، التحليل الفني للسلع أمب السلع، المجلد 9: جون ميرفي، جون J. 1991 .، إنتيرماركيت، التحليل الفني، جون، وايلي، أمب، سونس. روملهارت، D. E. أمب J. L. مكليلاند 1986. الموزعة الموزعة المعالجة، المجلدين 1 و 2، معهد ماساتشوستس للتكنولوجيا. أعيد طبعه من التحليل الفني للمخزون أمب مجلة السلع. (C) 1993 تيشنيكال أناليسيس، Inc.، 4757 كاليفورنيا أفينو S. W. سياتل، وا 98116-4499، (800) 832-4642.