Overlap Studies 重叠研究指标BBANDS Bollinger Bands 布林带 DEMA Double Exponential Moving Average 双指数移动平均线 EMA Exponential Moving Average 指数移动平均线 HT_TRENDLINE
1策略思路短期均线灵敏度高,更贴近价格走势,但是会有很多噪音,产生大量的虚假信号;长期均线在趋势判断上比短期均线更加可靠,但是长期均线有着严重的滞后问题。 那么我们用自适应性移动平均线(KAMA)来代替短期均线,用短期均线与长期均线的相对位置关系,和相对强弱指标形成买卖依据。 自适应均线KAMA的计算公式及原理: 方向 = 价格 - n 日前价格 波动率=sum(abs(价格-上一个
1、原理        有监督分类算法,核心思想是判断一个新的值x的时候,根据它距离最近的K个点是什么类别来判断x属于哪个类别。关键是k的选取以及距离的度量。2、距离选择        p=1是曼哈顿距离 ,对应于L1范数   &
AEKF_SOC_Estimation函数使用二阶RC等效电路模型(ECM)和自适应扩展卡尔滤波器(AEKF)估计电池的端电压(Vt)和充电状态(SOC)。该函数将以下内容作为输入: · 电流(A)· 电压(V)· 温度(℃)该函数的输出为:· 估计SOC· 估计电压Vt· 电压Vt误差function [SOC_Estimated, Vt_Estimated, Vt_Err
目录一、衰减记忆法二、限定记忆法小结        几乎任何递推和迭代算法都有发散的可能,卡尔滤波也不例外。造成卡尔滤波发散的原因无外乎以下两点:        状态方程描述的动力学模型不准确,或者噪声的统计模型不准确,这样会使模型和量测值不匹配,导致发
自适应卡尔滤波(adaptive kalman filter)是指利用观测数据校验预测值完成更新的同时,判断系统本身特性是否发生动态变化,从而对模型参数和噪声特性进行估计和修正,以改进滤波设计、缩小滤波的实际误差。KF 通过kalman理论认知,已知其预测更新的精度和准确性的保证都是基于协方差,通过设计的状态更新矩阵及伴随预测误差Q得到预测状态量和协方差x’,P’,从而基于观测值及伴随的观测误差
自适应卡尔滤波(Adaptive Kalman Filtering)是一种用于估计系统状态的滤波器。它通过结合测量值和系统模型,能够对系统的状态进行更准确的估计。在实际应用中,自适应卡尔滤波常用于目标跟踪、导航和控制等领域。 下面我们将使用Python来实现一个简单的自适应卡尔滤波器,并对其进行科普。 ## 1. 卡尔滤波器简介 卡尔滤波器是一种最优滤波器,它基于状态空间模型和高斯
原创 2023-09-28 08:44:32
502阅读
自适应卡尔滤波的多种形式在卡尔滤波量测更新过程中,按照平差中的数学模型分为函数模型和随机模型,那么动力学方法和观测方程均为函数模型,P和R矩阵的确定则为随机模型的建立。对于P矩阵来说,其核心思想在于重用当前时刻观测值。在融合初始化过程中,我们会对P矩阵进行初始化,之后随状态更新和量测更新而更新,一旦预测状态或者观测值突然出现问题,经验随机模型无法描述这种误差。因此,研究者们提出了自适应滤波,使
转载 2023-10-27 17:05:43
492阅读
        Deepsort前身是SORT,全称为Simple Online and Realtime Tracking,中文名为简单在线实时追踪。SORT的的基本思想为用Faster R-CNN检测框检测出人所在的位置,用卡尔滤波预测出人所在的位置,最后对这两处检测结果用匈牙利算法做IOU匹配,IOU
编码测试班级: 1823 姓名:张景昊 学号:20182328 实验教师:王志强 实验日期:2019年11月22日 必修/选修: 必修1.实验内容设有字符集:S={a,b,c,d,e,f,g,h,i,j,k,l,m,n.o.p.q,r,s,t,u,v,w,x,y,z}。 给定一个包含26个英文字母的文件,统计每个字符出现的概率,根据计算的概率构造一颗哈树。 并完成对英文文件的编码和解码。
转载 2024-08-15 02:11:52
34阅读
简介自适应移动平均线AMA是由美国数量金融投资家佩里·J·(Perry J. Kaufman)发明的。我们都知道,大多数类型的移动平均线仅是通过价格简单构造出来的,而自适应移动平均线AMA却非常不同,该指标不仅考虑了价格因素,还考虑了市场中价格的波动性,这也是它与传统均线之间最大的差别。该指标的发明者佩里·J·目前是全球最为著名的量化投资专家之一,著有众多畅销书籍,包括《精明交易者:系
利用Python构造Kalman滤波器和拓展卡尔滤波器Class用于目标跟踪 文章目录利用Python构造Kalman滤波器和拓展卡尔滤波器Class用于目标跟踪Kalman滤波概述Kalman滤波器Python类线性动力学、线性观测所有代码 Kalman滤波概述其基本思路是:新的最佳估计基于原最佳估计和已知外部影响校正后得到的预测。新的不确定性基于原不确定性和外部环境的不确定性得到的预测。对
树是一种特殊的树,结合前面做书上动态规划题的了解,哈树就是最优二叉树。  建立一颗哈树前需要明确条件,比如一颗词典树(节点值为单词),我们希望能通过我们的查找习惯建立一颗更快、更合适的二叉树,那么,这里的条件就是树中每个单词的搜索频率,显然,搜索频率越高的单词越靠近树根,查找效率会更好,通过搜索频率(权值)与节点离根节点的路径距离计算出WPL(带权路径长),当词典树的形态为某种情况的
转载 2024-08-06 18:21:46
104阅读
前面上传了A*算法的实现,就顺便把一起写的哈压缩也上传了吧本文主要提供了Python版本的哈压缩算法实现,并在此基础上提供了命令行和基于Qt的GUI用户界面(User Interface)哈(Huffman Encoding)压缩算法-Python实现哈编码作为计算机届非常底层的算法,不少领域都会出现该算法的身影,例如在MPEG图片压缩算法中等等。因此掌握哈算法以及相关的哈弗
# 使用自适应卡尔滤波实现定位 在本教程中,我们将逐步学习如何在Python中使用自适应卡尔滤波来实现定位。卡尔滤波器是一种用于估计系统状态并处理噪声的经典算法,非常适合用于定位和跟踪应用。我们将通过一系列步骤来逐步实现这一目标。 ## 流程概述 首先,让我们看一下实现这一目标的基本流程: | 步骤 | 描述 | |------|------| | 1 | 导入必要的库 | |
原创 7月前
245阅读
这个问题原始是用来实现一个可变长度的编码问题,但可以总结成这样一个问题,假设我们有很多的叶子节点,每个节点都有一个权值w(可以是任何有意义的数值,比如它出现的概率),我们要用这些叶子节点构造一棵树,那么每个叶子节点就有一个深度d,我们的目标是使得所有叶子节点的权值与深度的乘积之和$$\Sigma w{i}d{i}$$最小。很自然的一个想法就是,对于权值大的叶子节点我们让它的深度小些(更加靠近根节点
# 均线(Kaufman Adaptive Moving Average)科普文章 在金融时间序列分析中,移动平均线是常用的平滑工具之一。为了更好地适应市场的波动,均线(Kaufman Adaptive Moving Average,简称KAMA)应运而生。它是由艾尔文·提出的一种自适应移动平均线,根据市场的波动性动态调整其平滑参数,与传统的简单移动平均线(SMA)相比更具灵活
原创 7月前
177阅读
c++代码实现哈树的创建、编码以及求WPL (顺序结构)文章目录 文章目录c++代码实现哈树的创建、编码以及求WPL (顺序结构)exercise problemcoderunning resultsummary exercise problem 构造哈树生产哈编码,并求出带权路径长度(WPL)。code#include <iostream> #include <
关于哈树怎么构建的、哈编码怎么求,请参考哈树及python实现 这些基础的东西就不在这里阐述了,本文直接上代码。参考链接:哈树的 Python 实现哈树的构建和编码''' huffman编码 ''' import copy class Node: def __init__(self, name, weight): self.name = nam
转载 2023-06-26 15:12:02
172阅读
一.背景介绍:  给定n个权值作为n个叶子结点,构造一棵二叉树,若带权路径长度达到最小,称这样的二叉树为最优二叉树,也称为哈树(Huffman Tree)。哈树是带权路径长度最短的树,权值较大的结点离根较近。二.实现步骤:  1.构造一棵哈树  2.根据创建好的哈树创建一张哈编码表  3.输入一串哈序列,输出原始字符三.设计思想:  1.首先要构造一棵哈树,哈树的结
转载 2023-08-05 21:20:36
113阅读
  • 1
  • 2
  • 3
  • 4
  • 5