O reconhecimento de imagens ( tema retórico ) - página 12

 

denis_orlov:

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

Eu não estou pedindo nada. E eu não pedi por nenhum.

Eu lhe disse - não preciso lhe dar o algoritmo. Posso receber o resultado de seu trabalho, e vou testar o resultado. E eu lhe direi se você pode tirar algo de tal algoritmo. Trata-se de um pedido ou de uma petição? Foi uma sugestão, que tem como objetivo principal beneficiar o autor do algoritmo de reconhecimento. Se alguém pode fazer um bom reconhecimento, mas não pode implementá-lo com lucro (é difícil!), ele deve buscar diretamente a cooperação com outro desenvolvedor.

Você pode carregar um arquivo com sinais de reconhecimento aqui, neste tópico, alguém além de mim tentará usar estes sinais para testar o algoritmo de entrada e saída de uma profissão.

Mas eu vejo que você está negociando com lucro? Portanto, esta oferta não é para você :)

 
gip:


Não estou dizendo que elas são inúteis, mas no meu caso não são aplicáveis.

A abordagem de reconhecimento de padrões de velas em si não envolve o reconhecimento em si, mas uma busca por padrões simples. Isto perde >99% das informações codificadas no padrão.

Bem, se você olhar assim, basicamente todo indicador que se afasta do valor do preço formal perde sua informatividade e comete um erro. Por exemplo, o que se perde é o método de codificação por castiçal utilizado pela Richie - K= (HL, LO/HL, LC/HL). Agora a questão é: que método de seleção de padrões sobre a BP deve ser usado?

Por que eu faço a pergunta, já me deparei com esta pergunta muitas vezes ao processar - como formalizar um padrão. Vejo dois métodos, o primeiro é a codificação - quando formamos códigos semelhantes a Richie ou Lihovidov. O segundo método é introduzir critérios de limite. Mais uma vez, em caso de critérios de limite, perdemos um fator importante - o tempo. O número de quadros durante os quais a figura é formada também deve ser considerado.

 
Parece-me que o conceito de padrão é melhor aplicado aqui de forma generalizada, como uma seção reconhecível da tabela de preços. Não tem necessariamente que ser uma figura gráfica. O principal é que ela deve ser reconhecida de forma constante, sem omissões e falhas, se possível. Assim, o método de reconhecimento pode ser quase qualquer coisa. A codificação está bem. Pode haver muitos métodos de codificação. Em termos gráficos está tudo bem. Criterionicamente, é isso que entendo pelos indicadores - também bom. Por pesquisa de padrões - não. Funciona de forma instável e perde o máximo deles. É verdade que a pesquisa de modelos pode ser adaptável, mas eu ainda não vi isto. O Neuronet é bom, mas seu treinamento é uma coisa complicada, todos só treinam para o comércio. Não creio que tenha havido aqui qualquer discussão sobre o uso de redes neurais apenas para o reconhecimento de padrões. Que outros métodos você pode pensar?
 

O problema é não reconhecer padrões (o que quer que a palavra "padrão" implique). O problema é o pré-processamento dos dados para análise. O pré-processamento é uma prioridade surpreendentemente baixa neste fórum. Mas todas as informações devem ser apresentadas de uma forma adequada para análise posterior.

Ruído, lacunas e picos são obstáculos típicos para uma análise adequada (não importa quais métodos sejam utilizados). Deixe-me traçar um paralelo com um espelho. O ruído é análogo à rugosidade de uma superfície espelhada, o reflexo se torna borrado e manchado. As falhas são fendas e deslocamentos de partes do espelho, como se ele estivesse quebrado. Ejeções, ou barras anormalmente grandes (não há barras anormalmente pequenas) são análogas a um espelho torto. E algumas partes da reflexão não são distorcidas, enquanto outras são distorcidas além do reconhecimento.

Estes três problemas devem ser resolvidos separadamente. E então podemos falar sobre o reconhecimento de padrões.

"Não tiramos às vezes do contexto o que não deve ser tirado do contexto para entender a essência do todo?" com "I
 
Estou vindo de um ângulo diferente, não faço nenhum pré-processamento, tento fazer reconhecimento em dados limpos. E após o reconhecimento, faço o pós-processamento. Por que eu deveria desbotar a lacuna ou o pico se ele contém informações sobre o mercado? Você pode mascará-lo, mas quando o tivermos reconhecido e lembrado.
 

Tente tirar uma foto do espelho defeituoso (sobre o qual escrevi) e aplicar algum tipo de sistema de reconhecimento de padrões à foto. Você pode não se reconhecer no reflexo, muito menos no "ferro com defeito".

PS Cada um dos defeitos do espelho traz informações, mas não sobre a luz original que foi refletida pelo espelho, mas sobre as causas dos defeitos (feriados e outros fatores).

 

Há outros fenômenos que sustentam meu argumento. O cérebro humano tem filtros 'incorporados' de informação dos sentidos. Assim as pessoas são facilmente capazes de falar umas com as outras em um lugar muito barulhento, mesmo que haja centenas de pessoas conversando umas com as outras. A visão tem a mesma propriedade. O cérebro é capaz de se concentrar em um único elemento de imagem entre os elementos ruidosos - captcha é um exemplo.

É por isso que o comércio manual é difícil de formalizar? É a razão pela qual os comerciantes manuais prestam muita atenção a um único instrumento comercial e afiam seus filtros cerebrais?

 
gip:
Parece-me que o conceito de padrão é melhor aplicado aqui de forma generalizada, como uma seção reconhecível da tabela de preços. Não tem necessariamente que ser uma figura gráfica. O principal é que ela deve ser reconhecida de forma constante, sem omissões e falhas, se possível. Assim, o método de reconhecimento pode ser quase qualquer coisa. A codificação está bem. Pode haver muitos métodos de codificação. Em termos gráficos está tudo bem. Criterionicamente, é isso que entendo pelos indicadores - também bom. Por pesquisa de padrões - não. Funciona de forma instável e perde o máximo deles. É verdade que a pesquisa de modelos pode ser adaptável, mas eu ainda não vi isto. O Neuronet é bom, mas seu treinamento é uma coisa complicada, todos só treinam para o comércio. Não creio que tenha havido aqui qualquer discussão sobre o uso de redes neurais apenas para o reconhecimento de padrões. Que outros métodos você pode pensar?
Mmmm ... Um padrão é algum tipo de padrão de dados que se repete ao longo do tempo e atende a certos critérios. Quanto a mim, os padrões de tempo podem ser de dois tipos se considerarmos um subconjunto de castiçais que formam um padrão (entendo que o termo padrão é às vezes aplicado - embora discorde que esta seja a definição correta). A opção 2, critério de limite + intervalo de tempo e dizer para ZZ/MA/EMA pode formar um padrão. Se for claramente definido como o padrão será descrito - então vale a pena selecionar um método de reconhecimento/classificação que satisfaça o máximo possível a declaração do problema.
 
joo:

Há outros fenômenos que sustentam meu argumento. O cérebro humano tem filtros 'incorporados' de informação dos sentidos. Assim as pessoas são facilmente capazes de falar umas com as outras em um lugar muito barulhento, mesmo que haja centenas de outras pessoas falando por perto. A visão tem a mesma propriedade. O cérebro é capaz de se concentrar em um único elemento de imagem entre elementos ruidosos; captcha é um exemplo.

Não é por isso que o comércio manual é difícil de formalizar? É por isso que os "comerciantes manuais" prestam muita atenção a um único instrumento comercial enquanto afinam seus filtros cerebrais?

Discordo :) De acordo com trabalhos de ganhadores do Prêmio Nobel no campo da medicina, Torsten Nils Wiesel e David H. Hubel, que conduziram estudos do córtex visual do gato, que descobriram que existem as chamadas células simples, que respondem particularmente fortemente a linhas retas em diferentes ângulos, e células complexas, que respondem ao movimento das linhas em uma direção, ou seja, o cérebro realiza a separação dos traços. Nesta base, toda a classe de NS chamada redes convolucionais, que se baseia em mecanismo convolucional, é desenvolvida. Portanto, aqui está o mais interessante que esta classe de NS mostra algum do melhor desempenho no reconhecimento de imagens com distorção (trata-se do espelho de curva e distorção) é muito bem mostrado nos trabalhos do Dr. Jan LeCun. Mas você não pode aplicar redes convolucionais à BP forex :) as redes são boas para o reconhecimento de dados distorcidos, mas más para a reconstrução de imagens.

 
joo:

Há outros fenômenos que sustentam meu argumento. O cérebro humano tem filtros 'incorporados' de informações provenientes dos sentidos. Assim as pessoas são facilmente capazes de falar umas com as outras em um lugar muito barulhento, mesmo que haja centenas de outras pessoas falando por perto. A visão tem a mesma propriedade. O cérebro é capaz de se concentrar em um único elemento de imagem entre os elementos ruidosos - captcha é um exemplo.

Não. Não há filtros. O reconhecimento é feito diretamente da corrente barulhenta. Onde você leu sobre filtros? A melhor maneira de entender o mecanismo de audição é ler sobre ele. Lá o reconhecimento começa imediatamente, primeiro em um nível baixo de "hardware", o som é codificado de certa forma e depois convertido neste código de sinal é reconhecido em um nível mais alto. A analogia é incompleta, mas capta a essência. O princípio da separação das informações úteis não é a filtração (chunking) do fluxo, mas o reconhecimento no fluxo, loops de reconhecimento PIC respondendo às imagens mais apropriadas, ou seja, a seleção das imagens mais apropriadas do fluxo.