[發明專利]一種基于深度學習的K線形態圖像識別方法

有效

• 申請號: 201811238452.8
• 申請日: 2018-10-23
• 公開（公告）號: CN109543716B
• 公開（公告）日: 2021-12-21
• 發明（設計）人: 張智軍;江榮埻;顏子毅
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 裴磊磊

1.一種基于深度學習的K線形態圖像識別方法，其特征在于，所述方法包括以下步驟：

1)將含有需要識別的金融K線形態圖像和該形態對應的坐標作為神經網絡的輸入，輸入到含有多層卷積層的神經網絡中；

2)將步驟1)的卷積層輸出作為區域生成網絡的輸入，進行區域生成網絡訓練；

3)將步驟2)的區域生成網絡的輸出作為感興趣區域進行池化；

4)將步驟3)的感興趣區域池化結果作為Faster-RCNN檢測網絡的輸入；

5)由步驟4)的Faster-RCNN檢測網絡最終生成推薦框的位置信息和推薦得分。

2.根據權利要求1所述的一種基于深度學習的K線形態圖像識別方法，其特征在于：所述金融K線形態圖像為由K線及其指標、其他金融數據指標一種或者多種組合而成的圖像。

3.根據權利要求1所述的一種基于深度學習的K線形態圖像識別方法，其特征在于，步驟2)中所述進行區域生成網絡訓練的具體過程為：將步驟1)的卷積層輸出作為區域生成網絡的輸入，在卷積的最后一層特征圖上使用固定大小的窗口滑動，每個窗口輸出固定大小維度的特征，每一個窗口對候選的9個回歸框進行回歸坐標和分類，為了將一個物體能夠在不同的尺寸下識別出來，采用對特征圖進行不同大小的劃窗，生成訓練數據的過程為先看錨框覆蓋真實標簽是否超過閾值，超過就將當前錨框的項分類標記為“存在”；如果都沒有超過閾值，就選擇一個覆蓋比例最大的標記為“存在”；其中區域生成網絡的損失函數定義為：

其中下標i為小批量訓練樣本中的編號，p_i為目標的預測概率，若目標為正例則p_i^*＝1，否則p_i^*＝0，t_i為預測的邊框的四個參數構成的向量，t_i^*為真實標簽對應的參數向量；具體計算方式如下：

t_X＝(X-X_a)/w_a,t_y＝(y-y_a)/h_a,

t_w＝log(w/w_a),t_h＝log(h/h_a),

其中X、y、w和h表示提案網絡預測出來的推薦框的正中心坐標及該推薦框的高度和寬度，下標a和上標*分別代表錨框框體和真實標簽框體，N_cls是小批量訓練樣本的大小，N_reg是錨框的數目，L_cls采用的是交叉熵，L_reg采用的是Smooth L1,其定義為：

其中x為目標值與回歸值的差值。

4.根據權利要求1所述的一種基于深度學習的K線形態圖像識別方法，其特征在于：步驟3)中所述將步驟2)的區域生成網絡的輸出作為感興趣區域進行池化，即從候選區域生成網絡得到候選的感興趣區域列表，通過卷積神經網絡拿到所有的特征，進行后面的分類和回歸。