Нейронная сеть – МИА & ДСМА

※ Neural Network ─ Hull Transferring Common (МИА) & Перенос по шкале отклонения (ДСМА) ※

☛ Использует алгоритм HMA, однако этот алгоритм представляет собой разновидность алгоритма с малой задержкой или с нулевой задержкой.
after which... слился со следующим:
↓
☛ Jurik Filters/Smoothing и индивидуальные варианты MA
☛ В сочетании с общим алгоритмом переноса в масштабе отклонения
☛ Высшее & Величайший метод (Выше & Расчет APB)

Будьте в курсе: Greatest use with Volumes on Primary Chart indicator ─ advisable for indicator set off/replace motion

Переходный принцип нейронных сетей:

The Neural community представляет собой регулируемую модель выходов как возможностей входов. Он состоит из ряда слои:

1. ввести слой, который состоит из ввода знаний
2. скрытый слой, which consists of processing nodes known as нейроны
3. выходной слой, который состоит из 1 или несколько нейронов, чьи результаты являются результатами сообщества.

Все узлы соседних слоев связаны между собой.. These connections are known as синапсы. Каждому синапсу присвоен свой коэффициент масштабирования., by which the info propagated by means of the synapse is multiplied. These scaling coefficient are known as weights (ш[я][Дж][к]). В Нейронная сеть с упреждением (ФФНН) the info is propagated from inputs to the outputs. Вот пример FFNN с одним входным слоем., one output layer, and two hidden layers:

Подключенное изображение

The topology of a FFNN is commonly abbreviated as follows: <# входов> - <# нейронов в первом скрытом слое> - <# нейронов второго скрытого слоя> -...- <# результатов>. The above community might be known as a 4-3-3-1 сообщество.
The info is processed by neurons in two steps, соответственно подтверждается по всему кругу сигналом суммирования и сигналом шага:

1. Все входные данные умножаются на соответствующие веса и суммируются.
2. The ensuing sums are processed by the neuron's activation operate, чей выход является выходом нейрона.

It's the neuron's activation operate that offers non-linearity to the neural community mannequin. Без этого, there isn't a motive to have hidden layers, и нейронное сообщество превращается в линейную авторегрессию (АР) манекен.

✜ Перенос по шкале отклонения (ДСМА) ✜

Совершенно новый ДСМА made by John Ehlers and featured within the July 2018 situation of TASC journal.

The DSMA is a knowledge smoothing method that acts as an exponential transferring common with a dynamic smoothing coefficient. The smoothing coefficient is mechanically up to date primarily based on the magnitude of value modifications. Within the Deviation-Scaled Transferring Common, обычное отклонение от подразумеваемого выбирается как мера этой величины. The ensuing indicator offers substantial smoothing of the info even when value modifications are small whereas shortly adapting to those modifications.

The writer explains that because of its design, it has minimal lag but is ready to present appreciable smoothing. Тем не менее, Нейронная сеть - МИА & DSMA indicator is fused with Jurik filters/smoothing mixed with zero-lag HMA system.

Подключенное изображение (нажмите, чтобы увеличить)

☝ I can't present any kind of assist like coding (вместе с кодом поставки) и сервис по устранению неполадок.

☢ There are not any ensures that this indicator work completely or with out errors. Поэтому, использовать на свой страх и риск; Я соглашаюсь на отсутствие юридической ответственности за системный ущерб, денежные потери и даже отсутствие жизни.

final replace:
8:00 ЯВЛЯЮСЬ
Четверг, 11 Октябрь 2018
Время по Гринвичу (время по Гринвичу)

Подключенный файл

Neural-Network_HMA-DSMA-Jurik.zip 137 КБ | 25 загрузки