精华内容
下载资源
问答
  • 最准确指标期货指标公式文华财经指标文华财经多空线指标设置.doc
  • 详解了常用指标的使用方法和计算方法 目录 MACD指标详解 2 DMI指标详解(趋向指标) 4 RSI指标详解(相对强弱指标) 6 EXPMA指标的使用方法 8 TRIX指标详解和应用 10 CR指标详解和应用 11 VR指标详解(成交...
  • 指标好坏因人而异,切记结合K线及交易量,不可过于依赖!需要哪一类直接搜关键词方便找自己要用的~~
  • 自己编写的图像性能参数程序,使用matlab软件实现,最全的图像质量评价函数,包括计算均值、标准差、熵、平均梯度、相关系数、扭曲程度、偏差指数、峰值信噪比...等性能指标,几乎包含目前所有常用的图像评价性能参数。
  • 一套交易系统,内涵多种指标,选择不同周期会提示不同的多空趋势,建议半小时周期,另有多周期多空趋势面板和多个货币多空提示(个人建议多货币提示最好以4小时及日周期出现买卖提示后确定多空),不细说了,可以...
  • 改资源主要包含大量图像去雾算法,均为matlab实现,本人亲测可用!...里面还有一些针对去雾算法的评价指标,可以直接运行,对于研究去雾算法的同学,可是很大的福利哈 赚点积分,下载下俩能够使用的不要忘了5星好评哈
  • 文华财经期货软件指标公式源码赢顺云指标MACD指标KDJ指标RSI指标BOLL指标.docx
  • 包含大约2000个通达信指标公式。其中包括选股指标、主图指标、附图指标指标绝大部分为解密指标,可根据爱好再编译。文件格式为the,直接在通达信公式管理导入便可。导入过程需要10几秒。
  • 文华财经期货软件指标公式源码赢顺云指标MACD指标BOLL指标CCI指标.docx
  • 【史上最全】博易大师指标公式编写教程、指标函数大全、指标代码大全
  • 元启发式多目标优化的评判指标的matlab代码,包括spread\IGD\GD\RNI从多样性、收敛性等角度评价多目标优化算法
  • 常用内部(Sil,CH,DBI,KL)、外部评价指标(Rand等4个),用自带样本集“leuk72_3k.txt”测试可用!
  • 显示股票中的16个常用指标 ...主要指标有KLINE,MA, CR指标 KDJ指标 SMA指标 MACD指标 BOLL指标 RSI指标 WR指标 CCI指标 TR、ATR指标 DMA指标 DMI,+DI,-DI,DX,ADX,ADXR指标 TRIX,MATRIX指标 VR,MAVR指标 等。
  • 软件开发考核指标

    2018-09-12 16:49:42
    在开始一个软件项目之前,公司领导要与项目主管对需要完成的工作内容、时间期限、考核的标准达成一致。项目主管把任务进行分解,和每个软件开发人员对各自所需完成的工作内容、期限和考核标准达成一致,特别是各个...
  • 云平台技术指标

    2018-04-06 23:11:13
    云平台技术指标,包括主机、网络、安全、监控、数据等多方面。
  • 1000款MT4指标源码文件,包含各种金典指标(蝴蝶指标)。
  • 炒股票没赚过钱,没什么用处,赔钱的时候研究指标用的随便看看。
  • 完美蝴蝶指标

    2015-12-28 00:23:59
    完美蝴蝶指标,我已经用过了,这是我试用了很多的,蝴蝶指标中,觉得还可以的指标
  • 超详细SPSS主成分分析计算指标权重(一)

    万次阅读 多人点赞 2019-03-13 20:58:51
    一、指标权重计算确定的困惑 相信很多写过或者正在写指标处理类论文的朋友都曾对如何计算指标权重充满困惑,到底是用熵值法,还是主成分分析法?或者其他各种看起来奥妙无穷却难以上手操作的神奇方法?好不容易确定...

    一、指标权重计算确定的困惑

    相信很多写过或者正在写指标处理类论文的朋友都曾对如何计算指标权重充满困惑,到底是用熵值法,还是主成分分析法?或者其他各种看起来奥妙无穷却难以上手操作的神奇方法?好不容易确定要选用主成分分析法时又开始发愁要如何实现呢?听说过要可以用SPPS,可是又如何使用SPSS操作呢?用SPSS进行主成分分析之后又要如何得到最终的权重呢?接下来笔者将以一个实际的案例,带领大家一步步从SPSS入手,进行主成分分析,并利用主成分分析的结果最终得到各指标的权重值。

    二、利用SPSS实现主成分分析

    1、数据标准化
    (1)为什么要对数据进行标准化处理

    在对数据进行主成分分析前,首先要对数据进行标准化,之所以要对数据进行标准化,是因为各种类别的数据间的度量不同,比如计算经济的指标,我们通常会选取地区GDP生产总值和第三产业产值在GDP中的比重,GDP产值以亿为单位,通常以千计或万计,而第三产业产值在GDP中的比重的取值范围在0~1之间,如何能够相提并论呢?能够因为前者的数据远远大于后者,而得出前者的指标更为重要的结论吗?显然是不行的,所以要进行主成分分析,首先要对数据进行标准化。

    (2)数据标准化的方法

    为什么要关心数据处理的方法呢?在实际操作中,笔者曾经遇到一个问题。笔者利用SPSS自带的数据标准化方法对数据进行了标准化处理,但在权重的计算过程中不断出现负值,后来笔者几次重新调整指标类别,终于得出了均为正值的权重。但笔者最终的目的是要进行耦合协调度,这时候出现了大量的负值,而耦合度及耦合协调度的取值范围应该在0~1之间,因此笔者开始从头探索出错的原因。终于,笔者找到了原因,那就是数据标准化的方法选取的不正确,因此笔者重新选择了极差法对数据重新进行标准化,并最终顺利得到了后续的结果。

    本文中笔者将先直接利用SPSS对数据进行标准化,进行主成分分析,并计算权重。随后再利用极差法对数据进行标准化并进行主成分分析,计算权重。

    在这里先列出极差法数据标准化的方法:
    首先要区分指标的正负向,即指标数值越大对主体产生的结果是越好还是越坏。
    在这里插入图片描述
    如上图,城市绿地面积越大对城市环境越好,而工业废气排放量越大,对城市环境越坏,因此城市绿地面积为正向指标,而工业废气排放量为负向指标。

    2.SPSS数据标准化
    (1)数据选取
    我们选择广东省2016年21个市级行政区域的五项指标数据,如下图所示:
    在这里插入图片描述
    (2)SPSS中的数据标准化
    首先将数据直接粘贴到SPSS数据视图中:
    在这里插入图片描述
    发现表头那里是自动生成的标号,在“变量视图”中进行修改:
    在这里插入图片描述
    这时候在数据视图可以看到表头已经修改:
    在这里插入图片描述
    这时候开始进行数据标准化处理,也很简单,点击【分析】——【描述统计】——【描述】在这里插入图片描述
    将选中数据放入右侧“变量”,将左下角“将标准化得分另存为变量(Z)”,这一步一定不能缺少,否则无法在变量视图中展现标准化的数据:
    在这里插入图片描述
    直接点击确定,不用管输入的内容,直接看回“数据视图”,发现新增加了五列数,这些就是用SPSS标准化处理后得到的数据。
    在这里插入图片描述
    (3)主成分分析
    首先什么是主成分分析?如何进行主成分分析?由于数据之间可能会具有相关性,即可能表达的是同样的含义,因此需要的对这些相关性的数据进行降维处理,用较少的变量去解释原来资料中的大部分变量,将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少,能解释大部分资料中变量的几个新变量,并用以解释资料的综合性指标。简单来说就是,把给定的一组相关变量通过线性变换转成另一组不相关的变量,这些新的变量按照方差依次递减的顺序排列。利用SPSS极大的简化了以上过程:
    点击【分析】——【降维】——【因子分析】
    在这里插入图片描述
    将刚才标准化得到的数据项添加到“变量中”:
    在这里插入图片描述
    接下来,点击:【描述】——选中“原始分析结果”,“系数”,“KMO和Bartlett球形度检验”(用来检测是否适合使用主成分分析)
    在这里插入图片描述
    点击:【抽取】——【主成分分析】,其他选项默认
    在这里插入图片描述
    点击:【旋转】——选择“最大方差法”,“旋转解”(也可以选择无,在某些情况下数据会出现异常结果,这时会需要进行矩阵旋转)
    在这里插入图片描述
    点击:【得分】,选择“显示因子得分系数矩阵”(对于权重计算来说这必不可少)
    在这里插入图片描述
    点击:【选项】,其他选项可默认
    在这里插入图片描述
    当一切设置完毕之后,点击“确定”,就可以得到主成分分析结果了:
    我们主要关注【解释的总方差】和【成分矩阵】,这也是后面计算权重所不可缺少的。通常解释的总方差需要超过80%,说明提取的两个总方差对总体方差的贡献率高。从笔者分析的结果来说,好像并不适合进行主成分分析。这其实是由于数据标准化选择不可造成的,有的情况下权重计算还可以得出负值,这就是为什么要选择数据标准化的方法,而不能够只依靠SPSS中的数据标准化。相信这也困惑了很多的朋友,怀疑自己选取指标体系的合理性,在后面笔者使用极差法对数据进行标准化处理后,解释的总方差接近95%。
    在这里插入图片描述
    成分矩阵在后面全之后结果的计算中,是不可或缺的。

    在这里插入图片描述
    由于篇幅的原因,接下来利用极差法对数据进行标准化以及权重的计算将放到第二节进行。后面在得出指标权重后,笔者还将分享如何进行多个指标系统之间耦合度及耦合协调度的方法,相信这也曾经难倒了不少朋友,笔者希望能为大家解决一些障碍,降低各位的时间成本。下面是第二节权重计算及极差法标准化的链接:

    超详细SPSS主成分分析计算指标权重(二:权重计算及极差法标准化)
    https://blog.csdn.net/qq_32925031/article/details/88562141

    展开全文
  • 多种常见的图像评价指标峰值信噪比,结构相似性指数,光谱角等PSNR,SSIM,QNR,SAM,ERGAS
  • 油田开发指标;一油田产油产气指标;一油田产油产气指标;二油田压力指标;二油田压力指标;三产水指标;三产水指标;三产水指标;三产水指标;四综合指标;四综合指标;四综合指标;四综合指标;四综合指标;四综合指标;四综合...
  • MT4缠论指标

    2016-01-05 11:33:15
    MT4版本的缠论分笔分段指标,外盘投资的利器。
  • 包含有一些对图像评价的方法指标: 均值、标准差、信息熵、色彩分量相关性、色彩分量百分比、水下彩色图像质量评价(UCIQE)
  • 指标分级 T1指标:公司战略层面指标 T2指标:业务策略层面指标 T3指标:业务执行层面指标 5. 缓慢变化维 缓慢变化维: 简称SCD(Slowly Changing Dimensions),指一些维度随着时间而缓慢地变化(缓慢是相对事实表而...

    1 基本概念

    1.1 实体

    从业务角度讲,实体是为了满足分析的需要,抽象出来的概念,从业务中拆分出一个个实体,可以是现实存在的业务对象,如用户,商家,商品,也可以是现实没有的,如虚拟的业务对象,活动,会员等等

    1.2 维度

    维度是度量的基础,用来反映业务的一类属性,这类属性的集合构成一个维度,也可以称为一个实体对象
    在划分数据域、构建总线矩阵时,需要结合对业务过程的分析定义维度。

    1.3 业务过程

    业务过程是指企业的业务活动事件,如下单、支付、退款都是业务过程。通常业务过程是企业活动中的事件,因此业务过程是一个不可拆分的行为事件

    1.4 原子指标

    原子指标是对指标统计口径、具体算法的抽象,等于业务过程(原子的业务动作)+ 统计方式,统计方式通常是做聚合计算。例如,支付(事件)金额(度量),曝光(事件)次数(度量)
    基于某一业务事件行为下的度量,是业务定义中不可再拆分的指标,具有明确业务含义的名词
    原子指标=业务过程(动作)+度量,如支付(事件)金额(度量)。
    如交易笔数、交易金额、交易用户数等

    1.5 业务限定

    业务限定为统计的业务范围的圈定。为保障所有统计指标统一、标准、规范地构建,业务限定在业务板块内唯一,并唯一归属于一个来源逻辑表,计算逻辑也以该来源逻辑表模型的字段为基础进行定义

    1.6 派生指标

    基于原子指标、时间周期和维度,圈定业务统计范围并分析获取业务统计指标的数值。
    派生指标=原子指标+业务限定【做筛选】+统计周期+维度的组合(统计粒度)。派生指标即为对原子指标进行业务统计范围的圈定。如交易金额的完成值、计划值,累计值、同比、环比、占比等。

    细分为以下2种类型的指标:

    • 事务型指标:对业务活动进行衡量的指标。
    • 存量型指标:对实体对象(如商品、会员)某些状态的统计。

    不同的派生指标可能具有相同的原子指标,这样派生指标就定义了一种等价关系,而属于相同的原子指标就构成了一个对指标体系的划分。在每一个划分中,存在一个可以派生出其他指标的最小派生指标,即最细粒度即原子指标

    派生指标也称为衍生指标,是在事务型指标和存量型指标的基础上,通过一定运算规则(逻辑运算)形成的计算指标集合,如平均用户交易额、资产负债率等。

    1.7 事实表

    用于描述业务过程的详细信息。事实表体现实际数据或详细数值,一般由维度编码和事实数据组成。如订单表

    1.8 维度表

    维度表存放具有独立属性和层次结构的数据,一般由维度编码和对应的维度说明(标签)组成

    1.9 统计粒度

    定义数据汇总的程度。例如,如果维度为时间,则统计粒度为年、季、月、周或日等。

    1.10 标签

    标签是人为设定的、根据业务场景需求,对目标对象运用一定的算法得到的高度精炼的特征标识
    标签计算要考虑不同行为(业务过程)的权重不同、数据覆盖范围、衰减时间周期、衰减时间曲线【如平滑、线性、曲线】。

    • 不同时间的行为对标签值的影响程度不同。同一周期内行为的影响力相同,不同周期行为的影响力按照设置的衰减周期和曲线随时间递减。对于标签值会随着行为快速变化的
    • 需要考虑对所选数据来源-时间跨度(例如90天)行为数据,根据不同时间周期(如7天)切片(90/7=13个片段)设置衰减模式,不同时间周期行为数据标签值的影响力与选择的衰减模式相关
    • 基于业务上的判断对多个行为(业务过程)进行权重分配,要求最多两位小数,且各项权重和为1。权重越大,表示该行为对最后标签值的影响越大
    • 数据覆盖范围,如行为为购买保湿类护肤品,10%的用户购买次数在3次以下,90%的用户购买次数在100次以下。如果选择范围为10%-90%,则只对购买次数在3次以上100次以下的用户打标,防止购买次数过少(3次以下)或过多(100次以上)影响数据分析的准确度

    三种常见的衰减模式如下:
    在这里插入图片描述

    2 指标与标签的区别

    2.1 概念不同

    • 指标是用来定义、评价和描述特定事物的一种标准或方式。比如:新增用户数、累计用户数、用户活跃率等是衡量用户发展情况的指标
    • 标签是人为设定的、根据业务场景需求,对目标对象运用一定的算法得到的高度精炼的特征标识。可见标签是经过人为再加工后的结果,如网红、白富美、萝莉

    2.2 构成不同

    • 指标名称是对事物质与量两方面特点的命名;指标取值是指标在具体时间、地域、条件下的数量表现,如人的体重,指标名称是体重,指标的取值就是120斤
    • 标签名称通常都是形容词或形容词+名词的结构,标签一般是不可量化的,通常是孤立的,除了基础类标签,通过一定算法加工出来的标签一般都没有单位和量纲。如将超过200斤的称为大胖子

    2.3 属性与特征不同

    指标是BI时代的通用语言。指标注重对事物及事件的过程进行全面的、体系化的描述,指标的描述范围更广泛,既包括过程也涵盖结果;指标更注重与业务的结合,逻辑上更严谨,表现风格也比较严肃刻板。指标更侧重业务化、严格化和数量化。

    标签是大数据与人工智能时代的通用语言。标签比指标更有深度、更凝练,是对指标深度加工的结果;标签注重人物和实体对象的描述,标签一般侧重对局部特征和结果的描述,注重与具体业务场景的结合,描述的范围相对较窄;标签更侧重生活化、口语化和符号化。

    总之,标签源于指标,却高于指标。指标更理性,标签更感性。标签比指标更有趣、更形象化、人格化,更有画面感,但指标比标签更讲求精确性、合理性、全面性和体系化

    2.4 价值评价方式不同

    对指标与标签的价值评估方式、评估内容与它们的应用场景相关,也与使用者的感受有关系。

    对指标的价值通常用“好不好用”、“全不全面”来评价,对标签的价值通常用“准不准”、“像不像”来评价。

    指标的评价较易量化,通常有一定的标准和尺度;标签的评价一般与使用者的感受、应用的结果有强关联关系,不同的人、不同的应用场景,标签能发挥的效果可能大相径庭。

    还有一点,由于标签是指标进一步产品化的结果,指标是半成品,标签是成品。所以,标签有时候具有一定的商品属性。在大数据价值链上,标签是可定价、可售卖、可交易的一种数据产品。比如:在个人征信服务领域,用户的三要素、四要素在合规使用的前提下都是可以按条收费的。而指标通常是不具备售卖价值的,指标的价值可在具体应用场景里或者被融合到产品中才能体现出来。

    对价值的认知上,指标可以按照重要性分为关键指标、一般指标等,或者说高价值指标、低价值指标之类的,而标签较少提及这种说法,比如有关键指标一说,而没有关键标签一说。

    2.5 分类不同

    指标有很多种分类方式。如

    • 按照指标计算逻辑,可以将指标分为原子指标、派生指标、组合指标三种类型;
    • 按照对事件描述内容的不同,分为过程性指标和结果性指标;
    • 按照描述对象的不同,分为用户类指标、事件类指标等;
    • 按照指标的变化频率,分为静态指标和动态指标;
    • 按领域划分,有用户类指标、收入类指标、行为类指标等;
    • 按照重要程度,分为主要指标和次要指标等;
    • 按职能来分,分为观测指标、管控指标和挑战指标。
      当然,还有很多其它的分类方法,不再一一列举。

    标签的分类方法通常比指标要少一些。之所以这么说,是因为指标能描述的对象范围更广,对事物的描述能做维度更全面、颗粒度更细,而标签对事物(用于对人的描述比较多)的描述则是更深入、更形象的。

    • 按照标签的变化性分为静态标签和动态标签;
    • 按照标签的指代和评估指标的不同,可分为定性标签和定量标签;
    • 按照标签体系分级分层的方式,可以分为一级标签、二级标签、三级标签等,每一个层级的标签相当于一个业务维度的切面;
    • 按照复杂程度分为:基础标签、规则标签和模型标签。
    1. 基础标签通常是写实的,与指标有较高的重合度,比如身高、体重等;
    2. 规则标签一般是有一些简单的规则来控制,符合某种规则时才生成相应的标签;
    3. 模型标签一般需要通过某些机器学习算法来生成。

    2.6 数据量级不同

    • 指标涉及的范围更广,从产供销到人财物等方面,都需要用指标来描述,所以,从数量级上看,指标的数据量级肯定比较大。以电信运营商为例,用户域、营销域、产品域、资源域等方面的指标数量量级以万计算。
    • 标签通常用于对人的描述,标签的数量级比较小,通常不超过1千。标签并非越多越好,关键是要实用。当然,层级越多,标签数一般越多。

    2.7 表现形态不同

    指标的表现形态相对简单,通常以格式化的报表、直方图、趋势图、看板等图形来表示。

    标签的表现形态相对复杂。我们通常说的标签是数据化的标签,数据化标签的表现形态以可视化的图表或大屏为主,比如,我们在客户画像时通常以词云图的形式来表现其特征。

    事实上,在现实世界中标签还有三种表现形态:

    • 实物标签是用于标明物品的品名、重量、体积、用途等信息的简要标牌,例如:商品标签、价格标签、车检标签、服装吊牌、车票、登机牌都是实物标签;
    • 网络标签(Tag)是一种互联网内容组织方式,是相关性很强的关键字,它能帮助人们通过关键词快速建立对内容总体印象;
    • 电子标签又称RFID射频标签,是一种识别效率和准确度都比较高的识别工具,通过射频信号自动识别目标对象并获取相关数据,识别工作无须人工干预,可工作于各种恶劣环境。

    2.8 生产过程不同

    • 指标是生产性思维、拆解式思维,讲究的是化整为零,将事物分解开来进行多角度的描述,得到很多的指标;

    • 标签则是合成性思维、聚合式思维,讲究的是化零为整,将多个分散的指标按照一定的原理进行综合加工,得出概括性的结果。

    • 一般情况下,先有指标,后有标签。指标是业务管理导向的,需要提前规划;标签是应用导向的,跟随业务需求的而变化,面向业务可随时增加;

    • 指标的生产通常先要扫平数据质量问题,统一数据口径;

    • 标签生产涉及数据质量的问题较少,因为数据质量的问题已经在指标生产阶段被解决了。

    • 指标通常存在多个口径、口径不一致的问题,而标签在这方面的问题则相对较少。

    2.9 应用场景不同

    • 指标的应用场景很多,涉及企业的战略、管理、运营和支撑等层面。具体包括:战略目标、市场定位、业务监测、业绩考核、任务分解、数据分析、数据建模、BI应用等;
    • 标签的应用场景主要集中于CRM领域,尤其适合于用户运营。比如:客户画像、新增获客、沉默用户激活、存量客户维系、数据建模、数据可视化等。
    • 指标最擅长的应用是监测、分析、评价和建模,标签最擅长的应用是标注、刻画、分类和特征提取。特别需要指出的是,由于对结果的标注也是一种标签,所以在自然语言处理和机器学习相关的算法应用场景下,标签对于监督式学习有重要价值,只是单纯的指标难以做到的。而指标在任务分配、绩效管理等领域的作用,也是标签无法做到的。

    2.10 管理与维护的内容不同

    原则上来说,指标与标签都需要建立体系化的管理机制。
    就指标的管理机制而言,指标管理通常涉及三个方面:

    • 需求阶段的管理、
    • 开发过程的管理、
    • 应用过程的管理。
    • 所以对指标的管理动作主要就是:做指标、管指标、控指标。

    指标的日常管理涉及指标的定义、指标的分类、指标的权限管理等。对指标的监控与维护通常涉及缺失值、异常值、勾稽关系等方面的检查。

    对标签的管理与维护通常按照标签的生命周期来开展的,涉及标签开发与发布、标签应用、标签价值评估和标签优化及下线四个阶段。对标签的管理动作主要就是:打标签、贴标签、用标签和改标签等。

    为做好标签管理与维护,有必要设立专门的标签管理团队,建立标签分类、命名、描述、和实施等方面的规范,完善配套的数据采集流程、标签加工流程、标签问题处理与反馈流程等,建立标签全生命周期管理体系,与数据资产管理制度相统一,为标签在各层面的落地及管理提供建设依据。

    3 指标分类

    名称分类解析作用/示例
    指标结果型指标时机:动作发生后监控数据异常
    指标过程型指标时机:动作发生中可以通过运营策略影响过程指标
    体系(维度)定性维度文字类描述城市,性别,职业
    体系(维度)定量维度数值类描述收入,年龄

    4. 指标分级

    • T1指标:公司战略层面指标
    • T2指标:业务策略层面指标
    • T3指标:业务执行层面指标 在这里插入图片描述

    5. 缓慢变化维

    缓慢变化维: 简称SCD(Slowly Changing Dimensions),指一些维度随着时间而缓慢地变化(缓慢是相对事实表而言,事实表数据变化的速度比维度表快)。随着时间发生变化的维度称之为缓慢变化维

    把处理维度表数据历史变化的问题,称为缓慢变化维问题,简称SCD问题

    如根据用户维度,统计不同出生年份的消费金额占比。(80后、90后、00后)。
    在统计后,用户可能去修改用户数据,例如:将出生日期改成了 1992年。此时,用户维度表就发生了变化,涉及到这个维度的统计需要重新统计。

    以下为解决缓慢变化维问题的几种办法:

    • 保留原始值
    • 改写属性值
    • 增加维度新行
    • 增加维度新列
    • 添加历史表(历史拉链表)

    参考

    智能数据构建与管理 Dataphin
    解决缓慢变化维—拉链表
    详细解读指标与标签的区别

    展开全文
  • 对图像进行清晰度评价的指标,包含熵、交叉熵、峰值信噪比、Qabf、平均梯度、SSIM、互信息、NMI等,采用MATLAB编写。
  • 图像融合评价标准13项指标,matlab源代码,用于图像融合后关键指标的测试
  • IT互联网公司的岗位职责、KPI绩效考核指标,针对初创型企业十分实用(适用性模板)
  • 图像处理评价指标

    2015-05-20 16:31:21
    图像处理结果所需评价指标,matlab源代码,包括图像的熵,互信息,离散度,空间散度,自相关系数,梯度等等评价指标,评价指标完善。
  • 通达信缠论指标集合

    2015-11-01 00:10:24
    通达信缠论指标集合,共14个通达信缠论指标
  • MT4指标 最厉害的指标

    2013-04-16 15:18:33
    MT4指标 最厉害的指标 是目前黄外汇最稳当的系统~

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 679,925
精华内容 271,970
关键字:

指标