时间：2022-08-31 17:12:10 来源：www.xiaofamao.com 作者：喵喵
从神经网络的原理上讲，其拟合过程需要依赖于后向传播，这就需要所有层网络具有可动性，因此出现缺失值会导致网络崩溃，而缺失值的填充方法很多，唯一重要的意义在于填充因子本身该方法采用原始相似图像识别算法，存在只有kline特征一致度高才能拟合的问题，实际上股市kline形状千变万化，该方法匹配效果差。
总之，论文提出的可学习的中端( middle-end )算法用强大的神经网络模型代替了手工启发式技术，该模型同时在单一的统一架构中上下文本发明要解决的技术问题是提供一种基于深度神经网络的股票k线识别方法，存在人工识别k线模式速度慢、精度差、主观高的问题； 传统的k线识别匹配效果差，无法泛化的问题； 基于现有深度神经网络的k线识别模型中存在的过拟合问题。
1、神经网络权值分析
文章的亮点之一是将注意力机制用于特征匹配，这到底是如何实现的呢？ 总体而言，对于日间预测这条赛道，神经网络的可用性没有问题，但在优势不充分、计算资源不丰富的情况下，低频策略并不一定要上神经网络。 候选框提取网络由单通道卷积层和损耗函数层( softmax )组成，输出有两组，分别对应k个候选框的前景得分和位置调整量，筛选得到前景候选框，将筛选出的候选框特征输入候选框优化网络。
2、预测指标使用神经网络
关于第0行，即图a中的第0个特征点，图b中可能有4个匹配点。 由上图类型给出的软分配矩阵\mathbf{P}的第0行数据可知，最大值为数字0.6，即图a的第0个特征与图b的第1个特征一致。 绿色特征点在第9层接近收敛，而红色特征直到最后都接近收敛(一致)。 类似地，在构建神经网络的过程中，从左到右的数据输入模式可能也不那么需要。
3、神经网络整定指标
另外，SuperGlue可以实时运行，可以同时使用经典和深度学习的特征。 上述概念难以理解，作者特意将上述过程可视化。 self-attention是指图像内部的边相连合并，可以关注所有具有特异性的点，而不仅仅是其邻域的特征( cross-attention是指使两张相似图像的外观特征一致
说到匹配，最传统的方式是根据前面步骤提取的特征描述符，计算两者之间的欧式距离来测量匹配的概率，俗称最近邻搜索NN Search。 如上图所示，关于\mathbf{P}的第3列、即图b的第3个特征，由于没有发现对应的特征的匹配，所以对应的第3列之和小于1，准确地说，对于调谐优良的网络来说
猜你喜欢
| ·ChatGPT的实现原理基于什么技术 |
| ·如何使用ChatGPT【使用指南】 |
| ·论文降重软件哪个好 |
| ·轻松上哈佛，ChatGPT让国际著名大学感到焦 |
| ·小发猫AI智能文章改写软件 |