1분의 여유를 가지고 약속한 자료를 올립니다. 명시된 방법은 4년 전에 조사되었으며 아마도 5년이 될 것입니다. 이 프로젝트에서 아카이브를 직접 찾지 못했고 알고리즘이 간단하고 MathCAD가 시간을 크게 단축하기 때문에 메모리에서 결과를 복원해야 했습니다. 그러한 단어가 그러한 방법에 적합하다면 개념은 고전적이라고 할 수 있습니다. "복잡한"을 간단한 구성 요소로 분해하고 각각 별도로 작업합니다. 특성과 행동 면에서 극도로 복잡한 계열을 예측하는 대신 "단순한" 계열의 예측으로 전환하지만 많은 수입니다. 코사인 확장이 사용되며 지정된 확장 계수의 몇 가지 유용한 속성이 사용됩니다.
방법의 결과를 보여주는 예로서 다음 입력 매개변수를 사용하여 사용 가능한 첫 번째 세그먼트를 가져왔습니다.
이미지 매트릭스의 조립
시스템에 대한 과거 시리즈 입력을 받아 길이를 측정합니다. 창 자체의 길이를 고려하여 샘플의 시작부터 끝까지 고정된 슬라이딩 창을 통과합니다. 각 샘플 에서 코사인 변환(CT)을 계산합니다 . 결과를 배열에 넣습니다.
열, 일부 카운트다운에 KP
변환 빈도 문자열(이하 0에서 w-1까지의 빈도 번호 매기기를 사용합니다)
이러한 행렬의 행은 본질적으로 주어진 기록에 대한 KP 계수의 역학입니다. 그리고 그러한 시리즈는 이상하지 않기 때문에 고정되어 있고 많은 장점이 있습니다. 예를 들어 다음은 몇 가지 샘플입니다.
주파수 0:
빈도 5:
주파수 10:
주파수 110:
예측
따라서 행렬의 각 행(슬라이딩 창에 판독값만큼 많은 행이 있음)은 AR 모델의 도움으로 어느 정도 수평선을 예측합니다. 길이 W보다 작은 것이 중요합니다. 계열이 거의 고정되어 있으므로 AR 모델을 식별하는 몇 가지 방법을 사용할 수 있습니다. 매개변수 선택 및 모델 자체에 대한 설명에 대한 특별한 설명 없이, 500개 샘플 길이(시각화용)에 대해 주파수 모델(110)에 의한 AR 예측을 예로 첨부하겠습니다.
루프에서 계산된 행렬의 각 행에 대한 예측을 수행합니다(각 빈도에 대해).
이 예에서는 각 주파수에 대해 AR 모델의 한 차수를 사용하지만 완전히 정확하지는 않습니다. 각 주파수에 대해 식별을 수행해야 합니다. 그러나 이것은 일반적으로 별도의 문제이며 신호의 일부를 알고 있으므로 식별에 사용할 수 있습니다. 일반적으로 여기에 많이 있습니다.
행 복구
예측 행렬을 수신한 후 원하는 신호 이미지(행렬의 가장 오른쪽 열)를 선택하고 신호 복구를 수행합니다.
시험
사실을 직시합시다. 조건에 따라 2*tau보다 오래된 모든 판독값은 예측적입니다.
당신이 보는 것은 환상이나 속임수가 아닙니다. 방법은 엄격하게 과학적입니다(거의 그렇습니다 :o), 작동합니다, 적어도 때때로 정확히 작동합니다 :o)))) 식별의 모든 진실은 묻혀 있으며 추가 연구는 안정적인 산업 버전이 나올 때까지 필요한 모든 것.
PS : 동료 여러분, 그런데 관심 있는 사람이 있으면 가져가세요. 아이디어를 끝까지 가져오세요. 승리한 끝까지 가져오세요. ). 내 이해에 따르면 접근 방식은 매우 유망하며 통계적 의미에서 예측할 수 있지만 충분하지 않습니다. 글쎄, 내 기능을 얻을 거 야. 누가 맡을 것입니까? 가능한 모든 지원을 제공할 것이지만 MQL에서는 그렇지 않고 그를 전혀 모릅니다.o)
하하하! 다시?
같은 갈퀴?
이 토론의 참가자들이 친구를 이해하는 방법(여부)에 놀라울 뿐입니다. 각자는 고유한 어휘, 고유한 의미, 고유한 사용법이 있으며 설명된 현상과 단어 사이에는 인과 관계가 전혀 없습니다. 포럼이나 인터넷에서 검색을 사용하는 방법을 알고 있습니다.
이 스레드는 수학자나 거래자를 위한 것이 아니라 정신과 의사를 위한 것 입니다. 여기서 그들은 할 일이 많을 것입니다.
예, 아아, 오늘의 그림에서 많은 결론을 이끌어 낼 수 없습니다. 위 (더 많은 화살표) 또는 아래로 ... 내일 볼 것입니다-확인하겠습니다))
그리고 위의 그래프에서 푸리에 급수는 외삽 함수로 사용됩니까?
예, 이것은 푸리에이지만 자세한 내용은 이 기적의 저자에게 문의하는 것이 좋습니다. njel
어제의 사진
1분의 여유를 가지고 약속한 자료를 올립니다. 명시된 방법은 4년 전에 조사되었으며 아마도 5년이 될 것입니다. 이 프로젝트에서 아카이브를 직접 찾지 못했고 알고리즘이 간단하고 MathCAD가 시간을 크게 단축하기 때문에 메모리에서 결과를 복원해야 했습니다. 그러한 단어가 그러한 방법에 적합하다면 개념은 고전적이라고 할 수 있습니다. "복잡한"을 간단한 구성 요소로 분해하고 각각 별도로 작업합니다. 특성과 행동 면에서 극도로 복잡한 계열을 예측하는 대신 "단순한" 계열의 예측으로 전환하지만 많은 수입니다. 코사인 확장이 사용되며 지정된 확장 계수의 몇 가지 유용한 속성이 사용됩니다.
방법의 결과를 보여주는 예로서 다음 입력 매개변수를 사용하여 사용 가능한 첫 번째 세그먼트를 가져왔습니다.
이미지 매트릭스의 조립
시스템에 대한 과거 시리즈 입력을 받아 길이를 측정합니다. 창 자체의 길이를 고려하여 샘플의 시작부터 끝까지 고정된 슬라이딩 창을 통과합니다. 각 샘플 에서 코사인 변환(CT)을 계산합니다 . 결과를 배열에 넣습니다.
이러한 행렬의 행은 본질적으로 주어진 기록에 대한 KP 계수의 역학입니다. 그리고 그러한 시리즈는 이상하지 않기 때문에 고정되어 있고 많은 장점이 있습니다. 예를 들어 다음은 몇 가지 샘플입니다.
주파수 0:
빈도 5:
주파수 10:
주파수 110:
예측
따라서 행렬의 각 행(슬라이딩 창에 판독값만큼 많은 행이 있음)은 AR 모델의 도움으로 어느 정도 수평선을 예측합니다. 길이 W보다 작은 것이 중요합니다. 계열이 거의 고정되어 있으므로 AR 모델을 식별하는 몇 가지 방법을 사용할 수 있습니다. 매개변수 선택 및 모델 자체에 대한 설명에 대한 특별한 설명 없이, 500개 샘플 길이(시각화용)에 대해 주파수 모델(110)에 의한 AR 예측을 예로 첨부하겠습니다.
루프에서 계산된 행렬의 각 행에 대한 예측을 수행합니다(각 빈도에 대해).
이 예에서는 각 주파수에 대해 AR 모델의 한 차수를 사용하지만 완전히 정확하지는 않습니다. 각 주파수에 대해 식별을 수행해야 합니다. 그러나 이것은 일반적으로 별도의 문제이며 신호의 일부를 알고 있으므로 식별에 사용할 수 있습니다. 일반적으로 여기에 많이 있습니다.
행 복구
예측 행렬을 수신한 후 원하는 신호 이미지(행렬의 가장 오른쪽 열)를 선택하고 신호 복구를 수행합니다.
시험
사실을 직시합시다. 조건에 따라 2*tau보다 오래된 모든 판독값은 예측적입니다.
당신이 보는 것은 환상이나 속임수가 아닙니다. 방법은 엄격하게 과학적입니다(거의 그렇습니다 :o), 작동합니다, 적어도 때때로 정확히 작동합니다 :o)))) 식별의 모든 진실은 묻혀 있으며 추가 연구는 안정적인 산업 버전이 나올 때까지 필요한 모든 것.
PS : 동료 여러분, 그런데 관심 있는 사람이 있으면 가져가세요. 아이디어를 끝까지 가져오세요. 승리한 끝까지 가져오세요. ). 내 이해에 따르면 접근 방식은 매우 유망하며 통계적 의미에서 예측할 수 있지만 충분하지 않습니다. 글쎄, 내 기능을 얻을 거 야. 누가 맡을 것입니까? 가능한 모든 지원을 제공할 것이지만 MQL에서는 그렇지 않고 그를 전혀 모릅니다.o)
추신 : 우리 수학자 - 과학적 참신성에 대해 어떻게 생각하세요?))))?
하하하! 다시?
같은 갈퀴?
이 토론의 참가자들이 친구를 이해하는 방법(여부)에 놀라울 뿐입니다. 각자는 고유한 어휘, 고유한 의미, 고유한 사용법이 있으며 설명된 현상과 단어 사이에는 인과 관계가 전혀 없습니다. 포럼이나 인터넷에서 검색을 사용하는 방법을 알고 있습니다.
이 지점은 수학자나 상인을 위한 것이 아니라 정신과 의사를 위한 것입니다. 여기서 그들은 할 일이 많을 것입니다.
그것에 대해 이야기하고 싶습니까? :에 대한)
FFT 슬라이딩 윈도우가 2^n과 같지 않은 이유는 무엇입니까?
FFT 슬라이딩 윈도우가 2^n과 같지 않은 이유는 무엇입니까?
나는 코사인 변환을 사용하여 썼습니다. 또한 (푸리에 변환을 사용하는 경우) - 이러한 요구 사항은 빠른 변환 방식, 즉 모델에서 전혀 사용하지 않는 변환(올바른 대로)을 위해. 거기에 ... 필요하지 않습니다. 그리고 이 경우 왜 그렇게 긴 창을 사용해야 합니까?
나는 코사인 변환을 사용하여 썼습니다. 또한 (푸리에 변환을 사용하는 경우) - 이러한 요구 사항은 빠른 변환 방식, 즉 모델에서 전혀 사용하지 않는 변환(올바른 대로)을 위해. 거기에 ... 필요하지 않습니다. 그리고 이 경우 왜 그렇게 긴 창을 사용해야 합니까?
코드베이스에는 코사인 변환 라이브러리도 포함하는 FFT 라이브러리가 있으며 MQL에서 이러한 라이브러리를 사용하려는 경우 해당 창이 2^n(16,32,64,128,256,512,1024.. .)
코드베이스에는 코사인 변환 라이브러리도 포함하는 FFT 라이브러리가 있으며 MQL에서 이러한 라이브러리를 사용하려는 경우 해당 창이 2^n(16,32,64,128,256,512...)과 같아야 함을 기억해야 합니다.
나는 이것을 사용하지 않을 것이다. 이 제한은 빠른 변환 알고리즘에만 해당됩니다. 그리고 선형 대수학을 위한 라이브러리가 필요합니다. 그건 그렇고, 당신은 도움을 약속했습니다 :o)