识别图像（修辞学主题） - 页 12

[[删除]]

denis_orlov:

думаю, именно это ты и просишь, т.к. сам конкретику представить не в состоянии.

我没有要求什么。而且我没有要求任何东西。

我告诉过你--我不需要给你算法。我可以得到其工作的结果，我将检验这个结果。而我将告诉你，你是否能从这样的算法中得到什么。是请求还是请愿？这是一个建议，其主要目的是使识别算法的作者受益。如果有人能做出一个好的识别器，但不能在利润中实现它（这很难！），他应该直接寻求与另一个开发者合作。

你可以在这里，在这个主题中上传一个带有识别信号的文件，除了我之外，还有其他人会尝试使用这些信号来测试进入和退出交易的算法。

但我看到你的交易是有利润的？所以这个提议不适合你 :)

[RIP]

gip:

我并不是说它们一点用处都没有，但在我的情况下，它们并不适用。

烛台形态识别方法本身并不涉及识别本身，而是对简单形态的搜索。这就失去了>99%的图案所编码的信息。

好吧，如果你这样看，基本上每一个偏离正式价格值的指标都会失去其信息量，并产生错误。例如，失去的是里奇 使用的蜡烛图编码方法--K=（HL，LO/HL，LC/HL）。现在的问题是，应该用什么方法来选择BP上的图案？

我为什么要问这个问题，我在处理时已经多次面临这个问题--如何将一个模式正式化。我看到两种方法，第一种是编码--当我们形成类似于里奇 或利霍维 多夫的代码。 第二种方法是引入边界标准。 同样，在边界标准的情况下，我们失去了一个重要因素--时间。还应考虑形成图形 的帧数。

[[删除]]

在我看来，模式的概念在这里最好以概括的方式应用，作为价格图表的一个可识别的部分。它不一定必须是一个图形。最主要的是，应该稳定地认识到这一点，如果可能的话，没有遗漏和失败。相应地，识别方法几乎可以是任何东西。编码很好。可能有许多编码方法。图形上是可以的。从标准上讲，这就是我所理解的指标--也很好。通过模式搜索--没有。它工作不稳定，错过了大部分。的确，模板搜索可以是自适应的，但我没有看到这一点。Neuronet很好，但他们的培训是一个复杂的事情，每个人都只为贸易而培训。我不认为这里有任何关于仅使用神经网络 进行模式识别的讨论。你还能想到什么其他方法？

[Andrey Dik]

问题不在于识别模式（无论 "模式 "一词意味着什么）。问题是为分析而对数据进行预处理。在这个论坛上，预处理是一个令人惊讶的低优先级。但所有信息必须以适合后续分析的形式呈现。

噪声、空隙和尖峰是充分分析的典型障碍（无论使用什么方法）。让我用镜子来做个对比。噪声类似于镜子表面的粗糙度，反射变得模糊和污浊。缝隙是指镜子的部分裂缝和移位，就像它被打破了一样。喷出物，或异常大的条状物（没有异常小的条状物），类似于歪曲的镜子。而反射的一些部分是不扭曲的，而另一些则是扭曲的，无法辨认。

这三个问题必须分别解决。然后我们可以谈一谈模式识别。

"为了理解整体的本质，我们有时不应该断章取义吗？"与 "我

[[删除]]

我是从另一个角度来的，我不做任何预处理，我试图在干净的数据上做识别。而在识别之后，我做后期处理。如果缺口或尖峰含有市场信息，我为什么要淡化它？你可以掩盖它，但当我们已经认识到并记住了它。

[Andrey Dik]

试着拍一张有缺陷的镜子的照片（我写过），并对照片应用某种模式识别系统。你可能无法从倒影中认出自己，更不用说 "斑驳的铁 "了。

PS 每个镜子的缺陷都带有信息，但不是关于被镜子反射的原始光线，而是关于缺陷的原因（假期和其他因素）。

[Andrey Dik]

还有其他现象支持我的论点。人脑对来自感官的信息有 "内置 "的过滤器。因此，人们很容易在一个非常嘈杂的地方互相交谈，即使附近有数百人在交谈。视觉具有相同的属性。大脑能够在嘈杂的元素中专注于一个单一的图像元素--验证码就是一个例子。

这就是手工交易 难以正规化的原因吗？这是手工交易员非常关注单一交易工具并磨练其大脑过滤器的原因吗？

[RIP]

gip:
在我看来，模式的概念在这里最好以概括的方式应用，作为价格图表的一个可识别的部分。它不一定非得是一个图形化的数字。最主要的是，应该稳定地认识到这一点，如果可能的话，没有遗漏和失败。相应地，识别方法几乎可以是任何东西。编码很好。可能有许多编码方法。图形上是可以的。从标准上讲，这就是我所理解的指标--也很好。通过模式搜索--没有。它工作不稳定，错过了大部分。的确，模板搜索可以是自适应的，但我没有看到这一点。Neuronet很好，但他们的培训是一个复杂的事情，每个人都只为贸易而培训。我不认为这里有任何关于仅使用神经网络进行模式识别的讨论。你还能想到什么其他方法？

嗯...。模式是某种随着时间的推移而重复的数据模式，并符合某些标准。对于我来说，如果我们考虑形成形态的烛台子集，那么时间框架的形态可以有两种（我知道有时会应用形态这个词--尽管我不同意这是正确的定义）。选项2，边界标准+时间间隔，并说为ZZ/MA/EMA可以形成一个模式。如果明确了如何描述模式--那么就值得选择一种尽可能满足问题陈述的识别/分类方法。

[RIP]

joo:

还有其他现象支持我的论点。人脑对来自感官的信息有 "内置 "的过滤器。因此，人们很容易在一个非常嘈杂的地方互相交谈，即使附近有数百人在交谈。视觉具有相同的属性。大脑能够在嘈杂的元素中集中于单一的图像元素，验证码就是一个例子。

这不就是手工交易难以正规化的原因吗？这就是为什么 "手动交易员 "在磨练大脑过滤器的同时非常关注单一的交易工具？

我不同意 :) 根据诺贝尔医学奖得主托尔斯滕-尼尔斯-维塞尔和大卫-H-胡贝尔 的作品，他们对猫的视觉皮层进行了研究，发现有所谓的简单细胞，对不同角度的直线反应特别强烈，还有复杂细胞，对一个方向的线条运动有反应，即大脑进行了性状分离。在此基础上，开发了被称为卷积 网络的整类NS，它是基于卷积机制 的。因此，这里最有趣的是，这类NS在图像识别中显示出一些最好的性能与失真（它是关于曲线镜和失真）在Jan LeCun博士的作品中得到很好的展示。但你不能把卷积网应用于BP外汇:)网对扭曲的数据识别很好，但对图像重建很不好。

[[删除]]

joo:

还有其他现象支持我的论点。人脑对来自感官的信息有 "内置 "的过滤器。因此，人们很容易在一个非常嘈杂的地方互相交谈，即使附近有数百人在交谈。视觉具有相同的属性。大脑能够在嘈杂的元素中专注于一个单一的图像元素--验证码就是一个例子。

不，没有过滤器。识别是直接从噪声流中进行的。你在哪里读到关于过滤器的信息？了解听觉机制的最好方法是阅读相关资料。在那里，识别立即开始，首先在低 "硬件 "水平，声音以某种方式编码，然后转换为这种信号代码，在更高的水平上识别。这个比喻并不完整，但抓住了本质。分离有用信息的原则不是对信息流进行过滤（分块），而是在信息流中进行识别，PIC识别循环对最合适的图像作出反应，也就是说，从信息流中选择最合适的图像。