一种基于多尺度卷积神经网络的金融指数预测方法.pdf
星菱****23
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于多尺度卷积神经网络的金融指数预测方法.pdf
本发明提供一种基于多尺度卷积神经网络的金融指数预测方法,包括以下步骤:构建训练样本集;构建多尺度卷积神经网络;采用所述训练样本集,对所述多尺度卷积神经网络进行训练,得到训练好的多尺度卷积神经网络;采集当前时间段n个不同时间尺度的金融指数序列,经过预处理后,输入训练完成的多尺度卷积神经网络,输出当日收盘时金融指数涨、金融指数跌或金融指数平的预测结果,进而指导当前是否购买对应金融指数的交易。本发明充分利用不同时间尺度数据中蕴含的信息,对不同尺度的金融指数序列进行融合,能够更综合准确的反映同一个时间段的金融指数
一种基于多尺度卷积神经网络的交通场景分类方法.pdf
本发明公开了一种交通场景多目标分类方法,包括以下步骤:提取基于多尺度卷积神经网络的隐性特征;获取最优覆盖分割树。本发明在实现交通场景分类的过程中,采用多尺度卷积神经网络,通过对原始图像在不同尺度上有效提取具有不变性的优秀隐性特征,相比于单一尺度的卷积神经网络,实现了图像更加丰富有效特征信息的获取。本发明通过将卷积神经网络提取的有效信息与图像的原始分割树结合,形成最优纯度代价树,并进行最优纯度的覆盖,实现了获得更加清晰的目标轮廓,增加了分类的准确性。本发明通过将RGB‑D作为卷积神经网络输入,相比传统RGB
基于多尺度卷积组与并行的卷积神经网络图像去噪方法.pdf
本发明公开了基于多尺度卷积组与并行的卷积神经网络图像去噪方法,具体为:步骤1、准备训练集,选择合适的数据集作为训练集中的原始图像,并对其进行预处理操作,采用高斯白噪声模拟真实噪声并加入到原始图像中,作为与之对应的噪声图像;步骤2、构建网络模型,结合多尺度卷积组与并行的卷积网络方式搭建网络模型;步骤3、根据步骤2中所构建的网络模型设置网络的超参数、损失函数和优化算法;步骤4、进行网络训练,使用步骤2中的构建网络模型来分别训练单噪声训练集和多噪声训练集,来得到多个与训练集相对应的网络模型;步骤5、测试网络性能
基于多尺度核预测卷积神经网络的蒙特卡洛渲染图降噪方法.pdf
本发明公开了基于多尺度核预测卷积神经网络的蒙特卡洛渲染图降噪方法,涉及图像降噪技术领域。其包括获取数据集后对其中图像数据预处理得到漫反射组件和镜面反射组件;构建多尺度核预测卷积神经网络模型,对其网络参数初始化得到初始化的核预测卷积神经网络模型;将漫反射组件和镜面反射组件输入初始化的多尺度核预测卷积神经网络模型,使用Adam算法根据L1损失函数计算的误差对其训练得到训练好的多尺度核预测卷积神经网络模型;使用训练好的模型对低采样数下蒙特卡洛渲染得到的噪点图的漫反射组件和镜面反射组件进行降噪,对降噪结果数据相加
一种基于多尺度时间卷积网络的用电成本预测及优化方法.pdf
本发明公开了一种基于多尺度时间卷积网络的用电成本预测及优化方法,包括以下步骤:S1,构建基于多尺度时间卷积网络的用电成本预测模型;S2,构建基于用电成本预测的用电成本优化阈值规则库;S3,构建基于用电成本预测和阈值规则库的用电成本优化工具;本发明从平均负荷预测和最大负荷预测两大电力负荷成本关键指标出发,采用多个层次、步长不同的时间卷积网络提取用电成本预测中的电力负荷数据的时序特征,并根据用电用户的不同用电类型,挖掘用户用电数据的信息,制定阈值规则库,对用电成本进行更准确的预测,提供更丰富和个性化的用电成本