改进的极限学习机

优质回答与知识(10)

网上可以查到

2020-08-29 20:48:35

去Guangbin Huang的网站去找。 http://www.ntu.edu.sg/home/egbhuang/

2020-08-29 20:12:14

只要个体是31,和性格是加速度的,谱尼100级的时候,速度会是极限,这些先刷学习力,和后刷学习力,都一样,都不会改变谱尼31个体的极限速度。 例如: 个体是31的谱尼,性格天真 100级后,速度351 非刻印极限 100级后,特功339 如果谱尼是减特功,那特功就会减掉20左右的数值 如:1级的谱尼个体31 性格胆小 从1级刷毛毛 到一百级极限速度351 非刻印 而先分配二十万()经验,升到50级左右 用小号刷学习力。加6倍学习力,加一个双倍学习机,刷一次加216的努力值 谱尼一百级时,极限速度也一样351

2020-08-29 20:26:28

挤公交拉开距离好

2020-08-29 20:30:22

it is very hard to say

2020-08-29 21:27:06

以WVAD是否穿越零轴线,作为买卖标准时有很严重的延误性,往往股价已冲高许多时,才会出现买入信号,反之亦然。也有使用WVAD和WVAD的6日平均线做比较进行研判,但误差率较高,特别是在卖出信号的研判上。改进方案:首先,将计算公式中的成交量改为成交额,使用成交量或使用成交额对于个股的研判并没有太大的区别,但对基金和大盘的研判效果却大相径庭。其次,针对WVAD设置两条平均线,分别计算WVAD的5天和21天移动平均线,放弃原来单一使用WVAD的研判方法。改进后的WVAD计算公式:WVAD=当日收盘价-当日开盘价÷当日最高价-当日最低价×成交额WVAD5=当日收盘价-当日开盘价÷当日最高价-当日最低价×成交额的5日累加÷5WVAD21=当日收盘价-当日开盘价÷当日最高价-当日最低价×成交额的21日累加÷21改进WVAD的应用原则:当WVAD的5天线上穿WVAD的21天线时,为买入信号。当WVAD的5天线下穿WVAD的21天线时,为卖出信号。如:600345长江通信于本月16日发出买入信号,当天股价仅微涨2分钱,其后的两天,该股又平静地拉出两根小阳线,直到上周三下午近2点时该股突然发力上冲,至上周末与发出信号时相比,绝对涨幅已接近3元。该股历史上与此相同的突破有5次,最终都未能演变成大黑马,仅给投资者带来短线利润。不过,这次的情况和以前有很大的不同,其最终的涨幅可能尚不止于此。改进WVAD的应用技巧:1、5天线位于21天线之下的时间越长,效果越好。如果在5天线位于21天线下之前两者有一段粘合在一起的时间更好。2、5天线位于21天线之下时,5天线距离21天线越远越好,但有个前提,对于前期暴涨过的股无效。3、5天线上穿21天线的瞬间,上穿力度越大越好,上穿角度越陡越好。4、当5天线和21天线粘合在一起,处于纠合缠绕状态时,该指标失效。5、对于刚上市的新股,由于该指标波动过大,无法应用。6、以上应用技巧对于卖出信号的研判同样有效,只要相反应用就可以,不再复述。

2020-08-30 17:48:53

步步为赢

2020-08-29 18:46:36

答题王

2020-08-29 18:44:15

close allif ~exist('aaa')||(aaa~=1)clcclear%加入gabor工具箱addpath gaborpca;path_pos='.\pos\';path_nes='.\nes\';pos_dir=dir(path_pos);nes_dir=dir(path_nes);%构建一个gabor滤波器组filter_bank = construct_Gabor_filters(8, 5, [128 128]);%提取正样本得gabor特征feature_pos_train=[];for i=3:158 im=imread([path_pos pos_dir(i).name]); im=rgb2gray(im);im = imresize(im,[128 128],'bilinear'); %采用'bilinear':采用双线性插值算法扩展为128*128 raw_feature = filter_image_with_Gabor_bank(im,filter_bank,32);%%提取小波特征 feature_pos_train=[feature_pos_train,raw_feature];end%提取负样本得gabor特征feature_nes_train=[];for i=3:174 im=imread([path_nes nes_dir(i).name]); im=rgb2gray(im);im = imresize(im,[128 128],'bilinear'); %采用'bilinear':采用双线性插值算法扩展为128*128 feature_nes_train=[feature_nes_train,raw_feature];endp_train=[feature_pos_train,feature_nes_train];t_train=[ones(156,1);2*ones(172,1)];%对提取得gabor特征进行压缩降维处理[mappedX, mapping]=pca(p_train,111);p_train=mapping.M;p_train=mapminmax(p_train',0,1)';%载入极限学习机工具箱 addpath kernelelm %%添加极限学习机算法包 %训练极限学习机 [model_elm]=kernel_elm_muti_train(p_train',t_train', 'gaussian',3.5,10);%%根据训练中的目标得出模型 [TT,TrainingAccuracy] = kernel_elm_muti_predict(p_train',t_train',model_elm);end%测试视频 aaa=1; raw_feature2=[]; for i=1:1200 X=imread(strcat('picture\',num2str(i),'.jpg'));im=rgb2gray( X);im = imresize(im,[128 128],'bilinear'); %采用'bilinear':采用双线性插值算法扩展为128*128 feature222 = filter_image_with_Gabor_bank(im,filter_bank,32);%%提取小波特征 raw_feature2=[raw_feature2,feature222]; disp(sprintf('%i ',i)); end raw_feature2=mapminmax(raw_feature2',0,1); p_test=raw_feature2*mappedX; p_test=mapminmax(p_test',0,1)';[TT,TrainingAccuracy] = kernel_elm_muti_predict(p_test',ones(1200,1)',model_elm); clc %输出每帧图得计算结果 for i=1:1200 if(TT(i)==2) disp(sprintf('第%i帧图正常',i)); else disp(sprintf('第%i帧图报警',i)); end end

2020-08-29 20:26:54

零比零型极限

2020-08-30 14:01:33

相关问题