CC BY
74
1. Мандельброт, Б. Фрактальная геометрия природы [Текст] / Б. Мандельброт - Москва-Ижевск : Институт компьютерных исследований, 2002. - 656 с.
2. Riedi, R.H. Multifractal processes / Ed. by Doukhan P., Oppenheim G., Taqqu M.S. Long Range Dependence: Theory and Applications, P. 625-715, Birkhuser. 2002.
3. Федер, Е. Фракталы [Текст]/ Е. Федер - М.: Мир, 1991. - 254 с.
4. Philippe F. Is there chaos in the brain? Concepts of nonlinear dynamics and methods of investigation / Philippe F., Henri K. // Life Sciences - 2001.-324:773-793.
5. Hoyer D., Nonlinear analysis of heart rate and respiratory dynamics / Hoyer D, Schmidt K, Bauer R, Zwiener U, Kohler M, Luthke B, Eiselt M. // IEEE Engineering in Medicine and Biology Magazine - 1997;16:31-39.
6. Мун, Ф., Хаотические колебания / Мун Ф. - М.: Мир, 1990.7. Шустер, Г. Детерминированный хаос: Введение [Текст]/ Шустер Г. -М.:Мир, 1988.
8. Patrick Flandrin. Scale Invariance and Wavelets / Patrick Flandrin, Paulo Gon3alves and Patrice Abry in Scaling, Fractals and Wa-
velets. Ed. by P. Abry, P. Gonsalves, J. Levy Vehel. John Wiley & Sons, London, - 2009.
9. Божокин, С.В. Фракталы и мультифракталы [Текст]/ С.В. Божокин, Д. А. Паршин. - Ижевск: НИЦ «Регулярпая и хаотиче-
ская динамика». - 2001. - 128 с.
10. Kantelhardt W. Fractal and Multifractal Time Series - 2008: [Электронный ресурс]- Режим доступа: http://arxiv.org/abs/08-04.0747.
11. Малла, С. Вэйвлеты в обработке сигналов [Текст]/ Малла С. - М.: Мир. 2005. - 671 с.
12. Павлов, А.Н. Мультифрактальный анализ сигналов [Текст]/ А.Н. Павлов, В.С. Анищенко // Известия Саратовского университета. Серия «Физика». - 2007. -Т. 7. -Вып. 1.-С.3-25.
13. PhysioNet: the research resource for complex physiologic signals [Электронный ресурс]- Режим доступа: www.physionet.org.
---------------------□ □-------------------------
У статті подається нове рішення проблеми нормалізації вхідних векторів для нейронних мереж за допомогою дукаскопії, зокрема для прогнозування часових рядів
Ключові слова: нормалізація, нейронні мережі, дукаскопія, прогнозування
□-------------------------------------□
В статье представляется новое решение проблемы нормализации входных векторов для нейронных сетей посредством дукаскопии, в частности для прогнозирования временных рядов
Ключевые слова: нормализация, нейронные сети, дукаскопия, прогнозирование
□-------------------------------------□
The paper presents a new solution of the problem of normalization of the input vectors for neural networks through dukascopy, particularly for time series prediction
Keywords: normalization, neural networks, dukascopy, prediction ---------------------□ □-------------------------
УДК 681.3
ДУКАСКОПИЯ, КАК МЕТОД НОРМАЛИЗАЦИИ НЕЙРОННЫХ СЕТЕЙ
Д.С. Панченко*
Контактный тел.: (0642) 47-10-39 Е-mail: dimedrol1991@gmail.com Е.Г. Антипин
Ассистент* Контактный тел.: (0642) 47-10-39 Е-mail: e.antipin@gmail.com *Кафедра автоматизации и компьютерноинтегрированных технологий Восточноукраинский национальный университет
им. В.Даля
кв. Молодежный, 20-a, г. Луганск, Украина, 91000
1. Введение
Предсказание финансовых временных рядов -необходимый элемент любой инвестиционной деятельности.
Сама идея инвестиций - вложения денег сейчас с целью получения дохода в будущем - основывается на идее прогнозирования будущего. Соответственно, предсказание финансовых временных рядов лежит в основе деятельности всей индустрии инве-
3
стиций - всех бирж и небиржевых систем торговли ценными бумагами.
2. Анализ литературных данных и постановка проблемы
На этапе разработки стратегии используют компьютер, причем не в качестве ассистента, рассчитывающего известные рыночные индикаторы и тестирующего заданные стратегии, а для извлечения оптимальных индикаторов и нахождения оптимальных стратегий по найденным индикаторам. Такой подход - с привлечением технологии нейронных сетей - завоевывает с начала 90-х годов все больше приверженцев (ВекгаШ, 1995, Бэстенс, 1997), т.к. обладает рядом неоспоримых достоинств.
Во-первых, нейросетевой анализ, в отличие от технического, не предполагает никаких ограничений на характер входной информации. Это могут быть как индикаторы данного временного ряда, так и сведения о поведении других рыночных инструментов. Недаром нейросети активно используют именно институциональные инвесторы (например, крупные пенсионные фонды), работающие с большими портфелями, для которых особенно важны корреляции между различными рынками.
Во-вторых, в отличие от теханализа, основанного на общих рекомендациях, нейросети способны находить оптимальные для данного инструмента индикаторы и строить по ним оптимальную, опять же для данного ряда, стратегию предсказания. Более того, эти стратегии могут быть адаптивны, меняясь вместе с рынком, что особенно важно для молодых, активно развивающихся рынков.
3. Цель и задачи исследования
Целью исследования является решение проблемы нормализации входных векторов для нейронных сетей. Для достижения цели исследования нам необходимо: рассмотреть популярные способы нормализации значений признаков, предложить новый способ нормализации значений признаков.
4. Данные исследования и их обработка
Одной из проблем обучения нейронных сетей является предварительная нормализация входных векторов. Нормализация необходима потому, что исходные значения признаков могут изменяться в очень большом диапазоне и работа аналитических моделей с такими данными может оказаться некорректной. Существует множество способов нормализации значений признаков. К числу наиболее популярных относятся:
1. Десятичное масштабирование;
2. Минимаксная нормализаци;
3. Нормализация стандартным отклонением.
Наука не стоит на месте и разрабатываются новые
методы построения и нормализации нейронных сетей. Мы предлагаем в качестве фильтра и нормализации входных параметров дукаскопию.
В 2000 году Андрэ Дука предложил миру свою “теорию эволюции” экономики и ценообразования, которая, по его словам, может подчиняться и подчиняется законам - дукаскопию. В этой работе с помощью законов физики доказывается, что возможно рассчитать направление развития рынка. Все доказательства базируются квантовом анализе.
Процесс наблюдаемого нами параметра подчиняется трем основным законам дукаскопии:
1. Регистрируемым изменением всегда является погрешность измерения. Поскольку невозможно что-либо измерить без погрешности, а биржевые котировки, в частности, имеют ограниченное число значащих цифр, то естественно принять в качестве минимального кванта изменения либо погрешность измерительного прибора, либо единицу последней значащей цифры котировки.
2. Течение времени изменений пропорционально количеству последовательно регистрируемых изменений. Время в квантовом пространстве будет определяться не по нашим астрономическим часам, а собственными часами динамического процесса, ход времени которых будет определяться только скоростью изменения материального параметра, например биржевой цены. Таким образом, каждый процесс будет развиваться в своем «личном» безразмерном квантовом пространстве «личный параметр/личное время», которое называется «пространство Дука».
3. Процесс изменений есть материальное корпускулярно-волновое движение с длиной волны равной удвоенной погрешности измерения и массой покоя равно нулю. Так как квантовый мир обладает свойством дуальности, т.е. любой процесс одновременно является и частицей и волной, то и в пространстве Дука всем процессам присуще свойство дуальности.
Все расчеты проводятся в так называемом «пространстве Дука» - неискаженном собственном пространством-временем изменений. Картина любого параметра в пространстве Дука представляет собой ломаную линию с одинаковым углом наклона звеньев к оси времени. Также автор вводит определение для корпускулярно-волнового процесса изменений - «дука».
Переход из обычного пространства «цена-время» валютной пары в пространство Дука выполняется через неравенство:
|Ягеа1 + Rf - Rduka(0)| > г, (1)
где Rгeal - текущий курс валюты;
Rf - параметр, изменяя который можно сформировать когерентный пучок траекторной цены в пространстве Дука ( < Г );
Rduka - текущее значение курса в пространстве Дука;
Rduka(0) - сдвиг шкалы пространства Дука относительно реального пространства по цене. Это позволяет поместить первую точку траектории в начало координат;
г - размер кванта (погрешность измерения).
При переходе в квантовое пространство появляется эффект квантования скоростей. Скорости изменения цены на различных участках графика принимают определенный ряд значений, описываемые правилом квантования:
с
Уп =-, где п = 1,2,3..., (2)
п
где V,! - средняя скорость изменения цены в пространстве Дука, соответствующая квантовому числу п ;
С - максимальная скорость изменения цены в пространстве Дука (квант цены за еденицу времени).
Для любой квантовой системы должен быть справедлив принцип неопределенности Гейзенберга. Формула неопределенностей Дука имеет вид:
ЛЯ = qm , (3)
где ЛЯ - неопределенность координаты цены в пространстве Дука;
q - численный коэффициент, равный л/2 для идеальных входных данных
г - величина кванта цены.
Таким образом, можно легко вычислить ширину канала, т.к. неопределенность координаты является шириной текущего канала тренда. Предлагается 3 скоррелированных между собой условия, ограничивающие предельную ширину тренда ЛЯп, его длину
пробега ЛЯ и время жизни ^ как функции квантового числа:
< q , (4)
т.тахп ? V '
г
я
^ < 4qmaxn, (5)
г
— < 4q 2, (6)
Т •1тахп 4 '
5. Выводы
Самые распространенные методы прогнозирования финансовых рядов использовали нормализацию входных данных основанные на цене, метод дукаскопии проводит нормализацию и временного ряда. Таким образом изучение данного подхода и практический эксперимент должен дать лучшие результаты по сравнению с классическими методами.
Литература
1. Дукаскопия - http://www.dukascopy.narod.ru/.
2. Портал искусственного интеллекта - http://www.aiportal.ru/.
---------------□ □-----------------
У статті розглядаються особливості реалізації генетичних алгоритмів при оптимізації параметрів дискретної технологічної системи механічної обробки
Ключові слова: генетичний алгоритм, хромосома, оператор мутації
□-----------------------------□
В статье рассматриваются особенности реализации генетических алгоритмов при оптимизации параметров дискретной технологической системы механической обработки
Ключевые слова: генетический алгоритм, хромосома, оператор мутации
□-----------------------------□
In a paper habits of implementation of genetic algorithms are considered by optimization of parameters of discrete technological system of machining job Keywords: genetic algorithm, chromosome, mutation ---------------□ □-----------------
УДК 621.91:658.512+621.91:004.8
ОСОБЕННОСТИ РЕАЛИЗАЦИИ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ ПРОЕКТИВАНИЯ ТЕХНОЛОГИЧЕСКИХ СИСТЕМ МЕХАНИЧЕСКОЙ
ОБРАБОТКИ
В.В. Фролов
Кандидат технических наук, доцент Кафедра «Технология машиностроения и металлорежущие
станки»
Национальный технический университет «Харьковский
политехнический институт» ул. Фрунзе, 21, г. Харьков, 61002 Контактный тел.: 067-526-06-92 E-mail: vvicfrol@rambler.ru
1. Постановка задачи и анализ особенностей ее решения
Задача выбора наиболее эффективных методов оптимизации для проектирования конкретных струк-
бо|..................................................
турных элементов технологической системы вызывает определенные сложности, так как существует огромное количество методов оптимизации, применяемых с той или иной степенью эффективности для решения разнообразных инженерных задач. Сравнение этих
