MemBrain Neural Network Editor + Simulator User Forum

Hallo,

zunächst mal möchte ich Thomas ein großes Lob aussprechen, habe schon viel mit Membrain experimentiert und es gefällt mir sehr gut!

Jetzt zu meinem Problem:
Ich möchte gerne astrologische Daten in ein NN einfließen lassen.
Gegeben sind ein Radix- und ein Transit-Horoskop, d.h. die Positionen der Planeten zu zwei verschiedenen Zeitpunkten (Datum des Radix- und Transithoroskops)

Die Aspekte, also die Stellungen der Planeten zueinander, zu den beiden Zeitpunkten sollen vom NN verarbeitet werden.

Im Anhang ist ein Beispiel zu sehen:

Die Aspekte werden hier in einer Matrix dargestellt. In der obersten Zeile bezeichnen die schwarzen Symbole die Planeten zum Radixdatum und in der linken Spalte die roten Zeichen die Planeten zum Transitdatum.

Z.B. bezeichnet der oberste Eintrag in der linken Spalte "3S1" einen Konjunktions-Aspekt (Konjunktion = 0 Grad). Der Aspekt ist nicht exakt, sondern 3,1 Grad, die Genauigkeit wird eben durch die Zahl ausgedrückt. Das "S" bedeutet, dass der Winkel aktuell größer wird, ein "A" bedeutet Verkleinerung.

Meine Idee ist nun, pro Zelle dieser Matrix 6 Input-Neuron anzulegen. 6 Neuronen deshalb, damit alle Aspekte (Konjunktion 0°, Sextil 60°, Quintil 72°, Quadrat 90°, Trigon 120° und Opposition 180°) abgebildet werden könnnen.
Zudem soll auch die Genauigkeit Berücksichtigung finden, also 0,0° hätte einen größeren Aktivitätslevel als 2,6°. Dies könnte man ja einfach z.B. über eine Sinusfunktion abbilden.

Wäre eine solche Netzauslegung praktikabel, oder wie könnte man es anders gestalten?
Ein Problem sehe ich z.B. darin dass die csv-Dateien zum Lernen aufgrund der vielen Inputneuronen sehr viele Spalten enthalten. Mit Excel können diese gar nicht bearbeitet werden (max. 256 Spalten erlaubt), was für mich aber kein Problem wäre, da ich diese sowieso nicht manuell erstelle. Kann Membrain diese Dateien verarbeiten?

Hoffe auf einige Tipps für mein Problem.

Gruß
Rüdi

Hallo Rüdi,

das größte Problem bei Deinem Vorhaben sehe ich in der riesigen Eingangsdimension von 15 * 15 * 6 = 1350 Eingangsneuronen.

Das eigentliche Problem wird dabei nicht das Einlesen von Daten sein: MemBrain kann mit mehr als 256 Spalten umgehen. MemBrain kann sogar mit umgebrochenen, d.h. auf mehrere physische Zeilen aufgeteilten logischen 'Spalten' umgehen und zwar genau aus dem Grund, weil Excel es nicht kann: So lassen sich Auch Lessons mit Spaltenzahlen > 256 in csv exportieren und in Excel öffnen: Man kann beim Export aus MemBrain die physische Spaltenzahl im csv begrenzen, MemBrain bricht dann in die nächste Zeile um. Genauso verhält sich MemBrain beim Import: Es richtet sich nie nach der physischen Spaltenzahl im csv, sondern nach der im Lesson-Editor eingestellten Soll-Zahl für Inputs und Outputs. Dementsprechend muss die Gesamtzahl aller Elemente in einem Raw-CSV file ein ganzzahliges Vielfaches der Summe aus Ein- und Ausgängen wie im Lesson-Editor eingestellt sein, sonst klappt der Import nicht.

Aber zurück zum eigentlichen Problem:
Du wirst bei dieser Eingangsdimension niemals ausreichend Datensätze zusammenbekommen, um einen aussagekräftigen Trainings- und Validierungsdatensatz zu erhalten. Und wenn Du so viele Daten hättest, dann würde das Netz wahrscheinlich Monate oder gar Jahre daran trainieren, zum Einen wegen der vielen Datensätze, zum Anderen wegen der Abertausenden von Links, die Du in solch einem Netz hättest.

Der einzige Weg führt hier über Reduzierung Eingangsdimension.
Ich verstehe leider gar nichts von Astrologie. Diese 'Aspekte', die Du nennst: Sind diese z.B. sämtlich auf räumliche Planetenpositionen zurückführbar?
Wäre es dementsprechend nicht möglich, als Eingangsinformationen lediglich die Koordinaten jedes Planeten zu beiden Zeitpunkten zu haben? Das wären dann nur 30, 60 oder 90 Eingangsneuronen, je nachdem in wie vielen Raumdimensionen man die Planetenpositionen angeben muss. Vielleicht täte es ja auch eine Winkelposition auf der Umlaufbahn des jeweiligen Planeten, das wäre nur ein Skalar pro Planet, somit also nur 30 Eingangsneuronen entsprechend 15 Planetenpositionen zu zwei Zeitpunkten.

Ich könnte mir vorstellen, dass das aus Sicht eines Astrologen eine haarsträubende Reduzierung darstellt Aber aus meiner vereinfachten Sicht hängt doch der Zustand des für die Astrologie relevanten, beobachtbaren Sternenhimmels lediglich von den Positionen der Planeten ab, oder?

Dies ist ein Grundprinzip wenn man mit neuronalen Netzen arbeitet: Man sollte nicht dem Netz zeigen wollen, wie es zu seinen Schlüssen kommen soll und dementsprechend die Eingangsdaten mit vermeintlichem Vorwissen aufblähen. Stattdessen sollte man nur die eigentlichen Grunddaten in das Nezu speisen, die die Wirklichkeitswelt für das Netz repräsentieren sollen. Das Netz wird dann schon die Regeln hinter den Daten finden, so sie denn vorhanden sind und so es genügend Lernbeispiele zum Training erhält.
Wichtigstes Erstziel ist dabei, so wenig wie möglich Eingangsparameter zu definieren, um die Dimension des EIngangsdatenraums klein zu halten.

Hilft das ein Stück weiter? Ein spannendes Projekt auf jeden Fall!

PS: Du hast -soweit ich das erkennen kann- noch gar nichts über die Ausgänge des Netzes gesagt - Oder habe ich hier generell etwas missverstanden? Was soll das Netz denn ausgeben und wie kommst Du zu Deinen Trainingsdaten? Wie viele Datensätze könntest Du denn mobilisieren?

Viele Grüße

Hallo Thomas,

vielen Dank für die prompte Antwort!

Deine Annahme ist richtig, die Aspekte sind sämtlich auf räumliche Planetenpositionen rückführbar.
Die Idee hinter meiner Vorgehensweise war, dem NN quasi einen Weg vorzuschlagen, denn gerade bestimmte Winkel sind besonders wichtig.

Aber einfach nur die Koordinaten aller Planeten als Eingangsinformation zu verwenden ist ein sehr guter Vorschlag!

Das Ziel des ganzen ist, Wendepunkte an den Finanzmärkten zu prognostizieren. Das Netz soll also ausgeben, wie lange das Hoch bzw. Tief des Preises des zu betrachtenden Marktes Bestand hat. Somit ergeben sich auch die Trainingsdaten, die für jeden Handelstag und das evtl. über mehrere Jahre berechnet werden können.


Ein Beispiel für einen solchen Ansatz ist der Bradley-Siderograph. Dieser wurde in den 40er Jahren von Donald Bradley entwickelt und es fließen in die Berechnung die Planetenpositionen ein. Überraschenderweise stimmen die Wendepunkte im Siderographen mit Wendepunkten an den Aktienmärkten oft taggenau überein.

Viele Grüße

Na denn, dann wünsche ich mal viel Erfolg mit dem Experiment!

Und wie gesagt: Die Eingangsparameter so reduziert wie möglich halten. Da sich die Planetenbahnen in den letzten paar Jahrzehnten wahrscheinlich nur unwesentlich verschoben haben (das nehme ich einfach mal so an, ohne von Astronomie Ahnung zu haben), würde ich das Ganze wirklich auf die Winkelpositionen beschränken.

Wichtig ist hierbei allerdings, dass die Winkelpositionsinformation, die das Netz zu sehen bekommt, im selben physikalischen Sinne stetig sein sollte, wie das auch der Position entspricht. Also nicht -180° bis +180° oder 0 - 360 ° benutzen, denn damit ergäbe sich ein Sprung im Wertebereich (z.B. von 360° auf 0 °), der nicht der Realität entspricht (es handelt sich ja schließlich bei 0° und 360° um die selbe Position). Eine Idee wäre, den Cosinus des Winkels als Eingangssignal zu nehmen: 0° wird dann in einem Wert 1 resultieren, 180° ergibt -1, 360° ergibt wieder 1. Allerdings sieht damit aus Sicht des Netzes 45° genauso aus wie 135°, was natürlich schlecht ist.
Spontan habe ich hier noch keine bessere Idee, vielleicht stehe ich aber auch gerade auf dem Schlauch

Melde mich, wenn mir noch was Schlaueres einfällt...

Viele Grüße