Reconocer imágenes ( tema retórico ) - página 12
Está perdiendo oportunidades comerciales:
- Aplicaciones de trading gratuitas
- 8 000+ señales para copiar
- Noticias económicas para analizar los mercados financieros
Registro
Entrada
Usted acepta la política del sitio web y las condiciones de uso
Si no tiene cuenta de usuario, regístrese
denis_orlov:
думаю, именно это ты и просишь, т.к. сам конкретику представить не в состоянии.
No estoy pidiendo nada. Y no pedí ninguna.
Ya le he dicho que no necesito darle el algoritmo. El resultado de su trabajo me lo pueden dar, y voy a probar el resultado. Y te diré si puedes sacar algo de tal algoritmo. ¿Es una solicitud o una petición? Se trata de una sugerencia, cuyo objetivo principal es beneficiar al autor del algoritmo de reconocimiento. Si alguien puede hacer un buen reconocedor, pero no puede implementarlo en beneficio (¡es difícil!), debería buscar directamente la cooperación con otro desarrollador.
Puedes subir un archivo con las señales de reconocimiento aquí, en este hilo, y alguien más aparte de mí intentará utilizar estas señales para probar el algoritmo de entrada y salida de una operación.
Pero veo que estás operando con ganancias... Así que esta oferta no es para ti :)
No digo que sean inútiles en absoluto, pero en mi caso no son aplicables.
El enfoque de reconocimiento de patrones de velas en sí mismo no implica el reconocimiento per se, sino una búsqueda de patrones simples. Así se pierde más del 99% de la información codificada en el patrón.
Pues bien, si se mira así, básicamente todo indicador que se aleja del valor formal del precio pierde su carácter informativo y comete un error. Por ejemplo, lo que se pierde es el método de codificación de velas utilizado por Richie - K= (HL, LO/HL, LC/HL). Ahora la pregunta es, ¿qué método de selección de patrones en BP debe utilizarse?
Por qué hago la pregunta, ya me he enfrentado a esta cuestión muchas veces al procesar - cómo formalizar un patrón. Veo dos métodos, el primero es la codificación, cuando formamos códigos similares a los de Richie o Lihovidov. El segundo método consiste en introducir criterios de delimitación. De nuevo, en el caso de los criterios de delimitación perdemos un factor importante: el tiempo. También hay que tener en cuenta el número de fotogramas durante los cuales se forma la figura.
El problema no es reconocer patrones (sea lo que sea que implique la palabra "patrón") . El problema es el preprocesamiento de los datos para su análisis. El preprocesamiento es una prioridad sorprendentemente baja en este foro. Pero toda la información debe presentarse de forma adecuada para su posterior análisis.
El ruido, las lagunas y los picos son obstáculos típicos para un análisis adecuado (independientemente de los métodos que se utilicen). Permítanme hacer un paralelismo con un espejo. El ruido es análogo a la rugosidad de la superficie de un espejo, el reflejo se vuelve borroso y manchado. Los huecos son grietas y desplazamientos de partes del espejo, como si estuviera roto. Las eyecciones o barras anormalmente grandes (no hay barras anormalmente pequeñas) son análogas a un espejo torcido. Y algunas partes del reflejo no están distorsionadas, mientras que otras están distorsionadas más allá del reconocimiento.
Estos tres problemas deben resolverse por separado. Y luego podemos hablar de reconocimiento de patrones.
Intenta tomar una foto del espejo defectuoso (sobre el que escribí) y aplicar algún tipo de sistema de reconocimiento de patrones a la foto. Es posible que no te reconozcas en el reflejo, y mucho menos en la "plancha de hierro".
PS Cada uno de los defectos del espejo lleva información, pero no sobre la luz original que reflejó el espejo, sino sobre las causas de los defectos (vacaciones y otros factores).
Hay otros fenómenos que apoyan mi argumento. El cerebro humano tiene filtros "incorporados" de información procedente de los sentidos. Así, la gente puede hablar fácilmente entre sí en un lugar muy ruidoso, aunque haya cientos de personas hablando cerca. La visión tiene la misma propiedad. El cerebro es capaz de centrarse en un solo elemento de la imagen entre los elementos ruidosos: el captcha es un ejemplo.
¿Es por eso que el comercio manual es difícil de formalizar? ¿Es la razón por la que los operadores manuales prestan mucha atención a un solo instrumento de negociación y afinan sus filtros cerebrales?
Me parece que el concepto de patrón se aplica mejor aquí de forma generalizada, como una sección reconocible del gráfico de precios. No tiene que ser necesariamente una figura gráfica. Lo principal es que se reconozca de forma constante, sin omisiones ni fallos si es posible. En consecuencia, el método de reconocimiento puede ser casi cualquier cosa. La codificación está bien. Puede haber muchos métodos de codificación. Gráficamente está bien. Criterios, eso es lo que entiendo por los indicadores, también buenos. Por búsqueda de patrones - no. Funciona de forma inestable y falla en la mayoría de ellos. Es cierto que la búsqueda de plantillas puede ser adaptativa, pero no lo he visto. Neuronet es buena, pero su formación es complicada, todos entrenan sólo para el comercio. No creo que se haya discutido aquí sobre el uso de redes neuronales únicamente para el reconocimiento de patrones. ¿Qué otros métodos se le ocurren?
Hay otros fenómenos que apoyan mi argumento. El cerebro humano tiene filtros "incorporados" de información procedente de los sentidos. De este modo, la gente puede hablar fácilmente entre sí en un lugar muy ruidoso, aunque haya cientos de personas hablando cerca. La visión tiene la misma propiedad. El cerebro es capaz de concentrarse en un solo elemento de la imagen entre elementos ruidosos; el captcha es un ejemplo.
¿No es por eso que el comercio manual es difícil de formalizar? ¿Es por eso que los "operadores manuales" prestan mucha atención a un solo instrumento de negociación mientras afinan sus filtros cerebrales?
No estoy de acuerdo :) Según los trabajos de los premios Nobel en el campo de la medicina Torsten Nils Wiesel y David H. Hubel, que realizaron estudios de la corteza visual del gato, en los que descubrieron que existen las llamadas células simples, que responden con especial intensidad a las líneas rectas en diferentes ángulos, y las células complejas, que responden al movimiento de las líneas en una dirección, es decir, el cerebro lleva a cabo la separación de los rasgos. Sobre esta base se desarrolla toda la clase de NS llamada redes convolucionales, que se basa en el mecanismo convolucional. Así que aquí está lo más interesante que esta clase de NS muestra algunos de los mejores rendimientos en el reconocimiento de imágenes con distorsión (se trata de la curva espejo y la distorsión) está muy bien demostrado en los trabajos del Dr. Jan LeCun. Pero no se pueden aplicar las redes convolucionales a la BP forex :) las redes son buenas para el reconocimiento de datos distorsionados, pero malas para la reconstrucción de imágenes.
Hay otros fenómenos que apoyan mi argumento. El cerebro humano tiene filtros "incorporados" de la información procedente de los sentidos. Así, la gente puede hablar fácilmente entre sí en un lugar muy ruidoso, aunque haya cientos de personas hablando cerca. La visión tiene la misma propiedad. El cerebro es capaz de concentrarse en un solo elemento de la imagen entre los elementos ruidosos: el captcha es un ejemplo.