(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201811238452.8
(22)申请日 2018.10.23
(71)申请人 华南理工大学
地址 511458 广东省广州市南沙区环市大
道南路25号华工大广州产研院
(72)发明人 张智军 江荣埻 颜子毅
(74)专利代理机构 广州市华学知识产权代理有
限公司 44245
代理人 裴磊磊
(51)Int.Cl.
G06K 9/62(2006.01)
(54)发明名称
(57)摘要
本发明公开了一种基于深度学习的K线形态
图像识别方法，包括步骤：1)将含有需要识别的
的输入，进行区域生成网络训练；3)将步骤2)的
区域生成网络的输出作为感兴趣区域进行池化；
4)将步骤3)的感兴趣区域池化结果作为Faster -
RCNN检测网络的输入；5)由步骤4)的Faster -
RCNN检测网络最终生成推荐框的位置信息和推
荐得分。所述方法克服了现有的金融量化程序难
以表达分析师根据经验得到的金融K线形态特征
的问题，能够将分析师想要识别的金融K线形态
进行学习并且用于包含金融K线形态特征的实时
图像识别中。权利要求书1页 说明书3页 附图2页CN 109543716 A 2019.03.29
C N 109543716
A
1.一种基于深度学习的K线形态图像识别方法，其特征在于，所述方法包括以下步骤：
1)将含有需要识别的金融K线形态图像和该形态对应的坐标作为神经网络的输入，输入到含有多层卷积层的神经网络中；
2)将步骤1)的卷积层输出作为区域生成网络的输入，进行区域生成网络训练；
3)将步骤2)的区域生成网络的输出作为感兴趣区域进行池化；
4)将步骤3)的感兴趣区域池化结果作为Faster -RCNN检测网络的输入；
5)由步骤4)的Faster -RCNN检测网络最终生成推荐框的位置信息和推荐得分。
2.根据权利要求1所述的一种基于深度学习的K线形态图像识别方法，其特征在于：所述金融K线形态图像为由K线及其指标、其他金融数据指标一种或者多种组合而成的图像。
3.根据权利要求1所述的一种基于深度学习的K线形态图像识别方法，其特征在于，步骤2)中所述进行区域生成网络训练的具体过程为：将步骤1)的卷积层输出作为区域生成网络的输入，在卷积的最后一层特征图上使用固定大小的窗口滑动，每个窗口输出固定大小维度的特征，每一个窗口对候选的9个回归框进行回归坐标和分类，为了将一个物体能够在不同的尺寸下识别出来，采用对特征图进行不同大小的划窗，生成训练数据的过程为先看anchor覆盖ground truth是否超过阈值，超过就将当前anchor的object分类标记为“存在”；如果都没有超过阈值，就选择一个覆盖比例最大的标记为“存在”；其中区域生成网络
的损失函数定义为：
其中下标i为小批量训练样本中的编号，p i 为目标的预测概率，若目标为正例则p i *＝1，否则p i *＝0，t i 为预测的边框的四个参数构成的向量，t i *为ground truth对应的参数向量；具体计算方式如下：
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表示提案网络预测出来的推荐框的正中心坐标及该推荐框的高度和宽度，下标a和上标*分别代表anchor框体和ground truth框体，N cls 是小批量的大小，N reg 是anchor的数目，L cls 采用的是交叉熵，L reg 采用的是Smooth L1,
其定义为：
其中x为目标值与回归值的差值。
4.根据权利要求1所述的一种基于深度学习的K线形态图像识别方法，其特征在于：步骤3)中所述将步骤2)的区域生成网络的输出作为感兴趣区域进行池化，即从候选区域生成网络得到候选的感兴趣区域列表，通过卷积神经网络拿到所有的特征，进行后面的分类和回归。
权 利 要 求 书1/1页CN 109543716 A
一种基于深度学习的K线形态图像识别方法
技术领域
[0001]本发明涉及图像识别技术领域，具体涉及一种基于深度学习的K线形态图像识别方法。
背景技术
[0002]K线和指标的形态识别是金融量化投资分析中的重要部分。它的识别准确性直接影响到交易的胜率，决定了量化程序的可行性，然而很多形态(比如w底形态，缠论的中枢，趋势和盘整形态等)对于金融分析师来说是只可意会不可言传的。由于金融K线形态识别上的模糊性，必须让形态的识别脱离于基于时间序列的根据经验转化而成的固定的量化程序，让识别同样能适用于不可言传的难以用固定程序统一表达的形态特征。深度学习理论领域的研究主要集中在算法上，将其应用到金融投资领域少之又少，还在处于探索、创建的阶段，缺乏独立的、系统的理论分析框架。其中，基于神经网络的K线形态图像识
别在文献中几乎没有出现过，在实际的金融量化开发中也少有人研究，但是K线形态图像，如K线图中的不同形态、K线图与其他数据，还有交易量，交易指标等的结合是大部分投资者做出投资的重要依据，仅仅时间序列的信息可能不足以反映交易情况，需要做到时间与空间的结合，这时候K线形态图像的识别就尤为重要。
发明内容
[0003]本发明的目的是针对现有技术的不足，提供了一种基于深度学习的K线形态图像识别方法，所述方法克服了现有的金融量化程序难以表达分析师根据经验得到的金融K线形态特征的问题，能够将分析师想要识别的金融K线形态进行学习并且用于包含金融K线形态特征的实时图像识别中。
[0004]本发明的目的可以通过如下技术方案实现：
[0005]一种基于深度学习的K线形态图像识别方法，所述方法包括以下步骤：
[0006]1)将含有需要识别的金融K线形态图像和该形态对应的坐标作为神经网络的输入，输入到含有多层卷积层的神经网络中；
[0007]2)将步骤1)的卷积层输出作为区域生成网络的输入，进行区域生成网络训练；[0008]3)将步骤2)的区域生成网络的输出作为感兴趣区域进行池化；
[0009]4)将步骤3)的感兴趣区域池化结果作为Faster-RCNN检测网络的输入；
[0010]5)由步骤4)的Faster-RCNN检测网络最终生成推荐框的位置信息和推荐得分。[0011]进一步地，所述金融K线形态图像为由K线及其指标、其他金融数据指标一种或者多种组合而成的图像。
[0012]进一步地，步骤2)中所述进行区域生成网络训练的具体过程为：将步骤1)的卷积层输出作为区域生成网络的输入，在卷积的最后一层特征图上使用固定大小的窗口滑动，每个窗口输出固定大小维度的特征，每一个窗口对候选的9个回归框进行回归坐标和分类，为了将一个物体能够在不同的尺寸下识别出来，采用对特征图进行不同大小的划窗，生成
训练数据的过程为先看anchor覆盖ground truth是否超过阈值，超过就将当前anchor的object分类标记为“存在”；如果都没有超过阈值，就选择一个覆盖比例最大的标记为“存在”；其中区域生成网络的损失函数定义为：
[0013]
[0014]其中下标i为小批量训练样本中的编号，p i为目标的预测概率，若目标为正例则p i*＝1，否则p i*＝0，t i为预测的边框的四个参数构成的向量，t i*为ground truth对应的参数向量；具体计算方式如下：
[0015]t x＝(x-x a)/w a,t y＝(y-y a)/h a,
[0016]t w＝log(w/w a),t h＝log(h/h a),
[0017]
[0018]
[0019]其中x，y、w和h表示提案网络预测出来的推荐框的正中心坐标及该推荐框的高度和宽度，下标a和上标*分别代表anchor框体和ground truth框体，N cls是小批量的大小，N reg 是anchor的数目，L cls采用的是交叉熵，L reg采用的是Smooth L1，其定义为：
[0020]
[0021]其中x为目标值与回归值的差值。
[0022]进一步地，步骤3)中所述将步骤2)的区域生成网络的输出作为感兴趣区域进行池化，即从候选区域生成网络(Region Proposal Net，RPN)得到候选的感兴趣区域(Roi)列表，通过卷积神经网络拿到所有的特征，进行后面的分类和回归。
[0023]本发明与现有技术相比，具有如下优点和有益效果：
[0024]本发明提供的一种基于深度学习的K线形态图像识别方法，将对K线形态的识别提升到图像识别层面，更加真实地模拟一般的股票投资者看到的盘面数据，从而能够非常直观地研究盘面所看到的信息，同时，该方法的成功运用将颠覆目前金融K线形态的量化方式，不再需要用代码语言解释金融K线形态，也不再需要用固定的程序识别金融K线形态，而是仅仅将含有该形态的图片和相应的坐标位置作为神经网络的输入，就能达到对金融K线形态的学习和自动识别的目的，并且能在少量训练样本下学习得到较低误判率和漏检率的金融K线形态。
附图说明
[0025]图1为本发明实施例一种基于深度学习的K线形态图像识别方法的流程图。[0026]图2为本发明实施例Faster-RCNN检测网络的架构图。
[0027]图3为本发明实施例测试阶段的流程图。
具体实施方式
[0028]下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
[0029]实施例：
[0030]本实施例提供了一种基于深度学习的K线形态图像识别方法，所述方法的流程图如图1所示，包括以下步骤：
[0031]1)将含有需要识别的金融K线形态图像和该形态对应的坐标作为神经网络的输入，输入到含有多层卷积层的神经网络中；
[0032]2)将步骤1)的卷积层输出作为区域生成网络的输入，进行区域生成网络训练；[0033]3)将步骤2)的区域生成网络的输出作为感兴趣区域进行池化；
[0034]4)将步骤3)的感兴趣区域池化结果作为Faster-RCNN检测网络的输入；
[0035]5)由步骤4)的Faster-RCNN检测网络最终生成推荐框的位置信息和推荐得分(测试流程如图3所示)。
[0036]本实施例用到的神经网络框架——Faster-RCNN(如图2所示)，主要核心分为三部分，分别为候选区域生成网络(Region Proposal Net，RPN)部分，区域生成网络训练和联合训练。
[0037]候选区域生成网络的作用是输入一张图像，输出一批矩形候选区域。包括特征提取，候选区域(anchor)，窗口分类和位置精修。特征提取包含若干层卷积层，本实施例直接使用ResNet50残差神经网络作为卷积网络层，anchor是RPN网络的核心，作用是给出一个基准窗大小，按照倍数和长宽比例得到九种不同大小的候选窗口。可以发现conv4_x的最后的输出为RPN和感兴趣区域池化(Roi pooling)共享的部分，而conv5_x都作用于感兴趣区域池化之后的特征图，最后接一个平均池化层，得到2048维特征，分别用于分类和框回归。其中分类部分输出是目标和非目标的概率，框回归部分输出框的四个参数，包括框的中心坐标x和y，box宽w和长h。
[0038]区域生成网络训练的作用是通过代价函数筛选属于标签的图像进行学习，最小化分类误差和前景样本的窗口位置偏差。
[0039]联合训练包含四步：1)单独训练RPN网络，网络参数由预训练模型载入；2)单独训练Faster-RCNN网络，将第一步RPN的输出候选区域作为检测网络的输入；3)再次训练RPN，此时固定网络公共部分的参数，只更新RPN独有部分的参数；4)拿RPN的结果再次微调Faster-RCNN网络，固定网络公共部分的参数，只更新Faster-RCNN独有部分的参数。[0040]对于K线形态图像的识别，我们分为单一的K线形态的识别和复合的K线形态的识别。单一的K线形态的识别指的是只将K线图片作为输入，识别由多根K线组合而成的形态特征；复合的K线形态的识别指的是将K线和指标组合成的图片作为输入，识别由多根K线以及指标组合而成的形态特征。复合的K线形态的识别通过两种方法进行打标签和学习，一种是将K线和指标一起作为一个标签进行学习，一种是分别将K线和指标打不同的标签进行学习。
[0041]以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明专利构思加以等同替换或改变，都属于本发明专利的保护范围。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议