采用机器学习与二维伽马函数的股票指数量化交易策略

为了通过短线交易获取对标股票指数的超额收益,提出一种基于机器学习的股票指数增强型量化交易策略,并实现程序化自动交易。首先生成股票指数的初始特征集,通过最大互信息系数法筛选得21维特征;然后设计双阈值涨跌不平衡标签与3种预测分类方式(T、B-B、B-T),组合构建不同机器学习模型,并对比择优得到多空交易方向的最优机器学习模型分别为LSTM-B-T模型与RF-B-T模型;接着设计基于日内涨跌幅的二维伽马函数;最后使用经二维伽马函数计算得到的类概率判别阈值与最优机器学习模型预测的类概率进行涨跌类别判定,得到交易信号。将该策略应用于中证500指数的股指ETF进行回测与模拟盘交易验证,实验结果表明:相较于随机建仓策略,采用该策略使交易评价指标得到整体性提升;在回测与为期3个月的模拟盘交易验证中使用该策略均能获得对标指数的理想超额收益,分别为11.24%、11.08%。

基于二维伽马函数的光照不均匀图像自适应校正算法

提出了一种基于二维伽马函数的光照不均匀图像自适应校正算法.利用多尺度高斯函数提取出场景的光照分量,然后构造了一种二维伽马函数,并利用光照分量的分布特性调整二维伽马函数的参数,降低光照过强区域图像的亮度值,提高光照过暗区域图像的亮度值,最终实现对光照不均匀图像的自适应的校正处理.通过与经典算法对比表明,本文算法可以更好地降低光照不均匀对图像的影响,提高图像的质量.

基于颜色校正和改进二维伽马函数的水下图像增强

针对由于光在水体中衰减、散射,造成捕捉的水下图像存在偏色、对比度低、清晰度差、光照不均等问题,提出一种基于颜色校正和改进二维伽马函数的水下图像增强方法。首先,用带颜色恢复的多尺度Retinex增强算法(MSRCR)校正偏色问题,获得一个输入图像;然后用改进的二维伽马函数降低光照不均匀对水下图像的影响,并用基于自适应Sigmoid函数双直方图均衡化(BEASF)增强图像对比度,获得另一个输入图像;最后结合对比度、显著性、饱和度、曝光度4个权重进行多权重融合,得到最终的增强图像。实验结果表明,该算法不仅能有效的改善水下图像偏色的问题,而且增强了图像的细节和对比度。

巡检机器人中指针式仪表示数的自动识别方法

针对巡检机器人室外自主识别仪表示数易受到光照影响的问题,在研究了基于二维伽马函数的仪表图像光照不均匀自适应校正算法的基础上,提出了基于最大稳定极值区域(MSER)提取指针区域的算法。首先,通过三尺度高斯函数提取光照分量,构造二维伽马函数自动地调整图像反光区域或过暗区域的亮度;然后,通过MSER的两次稳定区域检测提取指针区域;接着,以指针通过仪表轴心为条件,用细化算法和累计概率霍夫变换(PPHT)精确地定位到指针,提高了定位直线的准确度;最后,通过PPHT检测的直线两个端点与轴心位置比较,直接可以判断指针指向,更加方便了计算示数。实验结果表明,所提的仪表示数识别方法能够适应不同光照下、不同类型仪表的指针定位,且识别示数的正确率达到94%以上。

基于多尺度Retinex和暗通道的自适应图像去雾算法

针对暗通道先验算法处理大片天空区域存在复原图像的可视化效果较差和图像细节信息不丰富等问题,提出一种基于多尺度Retinex和暗通道的自适应图像去雾算法。采用Canny算子对亮度分量进行边缘检测并利用多尺度Retinex算法消除亮度分量,采用交叉双边滤波优化暗通道的先验理论获得粗略估计的透射率,采用四叉树子空间搜索法选取全局大气光值。为了消除图像中复原图像整体较暗以及无法显示细节信息的现象,使用二维伽马函数校正亮度值,最终得到复原后的去雾图像。实验结果表明,所提算法可以有效恢复有雾图像的细节信息,去雾较为彻底,整体平滑,色彩明亮度较好,图像清晰自然。

光照分量自适应校正的古城墙表面病害图像信息增强方法

针对太阳光照变化、物体间遮挡、拍摄角度偏差等干扰造成古城墙表面病害图像信息被隐藏,病害特征提取与识别效果不佳的问题,提出了一种基于光照分量自适应校正的古城墙表面病害图像信息增强方法。利用多尺度高斯函数连续卷积提取光照分量,根据像素点光照分量与均值的偏差非线性变换关系确定Gamma参数,构造增强2D-Gamma函数自适应校正图像过亮和偏暗区域的亮度值,恢复隐藏信息;同时为解决2D-Gamma函数对高亮像素点亮度值衰减表征能力较弱问题,使用同态滤波在频域压制高亮区域的光照分量,减小亮度动态范围,增强图像高亮区域隐藏信息;并利用系数因子将亮度校正后图像与Sobel算子提取的边缘细节图像线性融合,重构获取细节清晰、纹理突出的古城墙表面病害增强图像。实验结果表明,对于受光照、遮挡等干扰因素影响可视性较差的图像,所提方法在保留原图像细节信息的同时有效解决了光照不均、遮挡和阴影等造成的图像信息隐藏问题,增强了古城墙表面病害图像特征,提高了病害识别的准确率。