記事「周波数領域でのフィルタリングと特徴抽出」についてのディスカッション 新しいコメント MetaQuotes 2024.03.27 10:25 新しい記事「周波数領域でのフィルタリングと特徴抽出」はパブリッシュされました: この記事では、予測モデルに有用な独自の特徴を抽出するために周波数領域で表現された時系列にデジタルフィルタを適用する方法を探ります。 「初心者のためのMQL5におけるデジタルフィルタの実践的実装」稿の中で著者は、畳み込みを通して時間領域で適用されるデジタルフィルタを紹介しています。この系列は、フィルタの種類とそのパラメータによって、長さの異なる独自の重みのセットと掛け合わされます。重みの数は、フィルタをデータの範囲に適用する際に、対応する系列値と畳み込まれる移動窓を定義します。移動平均線も同じように機能します。 この記事では、周波数領域のフィルタを適用します。基本的な手順は以下の通りです。 まず、DFT演算の準備として系列が前処理されます。 DFTは、 高速フーリエ変換アルゴリズム(FFT)を使用して系列に適用されます。 次に、必要と思われる方法で直列の波形を操作します。つまり、フィルタが適用され、それによって直列の元の波形が変更されます。 修正された波形に対して逆DFT演算がおこなわれ、おなじみの時間領域に変換されます。 最後に、最初の前処理段階でおこなわれた操作によってもたらされた影響を元に戻します。 作者: Francis Dube 新しいコメント 理由: キャンセル 取引の機会を逃しています。 無料取引アプリ 8千を超えるシグナルをコピー 金融ニュースで金融マーケットを探索 新規登録 ログイン スペースを含まないラテン文字 このメールにパスワードが送信されます エラーが発生しました Googleでログイン WebサイトポリシーおよびMQL5.COM利用規約に同意します。 新規登録 MQL5.com WebサイトへのログインにCookieの使用を許可します。 ログインするには、ブラウザで必要な設定を有効にしてください。 ログイン/パスワードをお忘れですか? Googleでログイン
新しい記事「周波数領域でのフィルタリングと特徴抽出」はパブリッシュされました:
この記事では、予測モデルに有用な独自の特徴を抽出するために周波数領域で表現された時系列にデジタルフィルタを適用する方法を探ります。
「初心者のためのMQL5におけるデジタルフィルタの実践的実装」稿の中で著者は、畳み込みを通して時間領域で適用されるデジタルフィルタを紹介しています。この系列は、フィルタの種類とそのパラメータによって、長さの異なる独自の重みのセットと掛け合わされます。重みの数は、フィルタをデータの範囲に適用する際に、対応する系列値と畳み込まれる移動窓を定義します。移動平均線も同じように機能します。
この記事では、周波数領域のフィルタを適用します。基本的な手順は以下の通りです。
作者: Francis Dube