Научная статья на тему 'Дукаскопия, как метод нормализации нейронных сетей'

Дукаскопия, как метод нормализации нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
197
57
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
NORMALIZATION / NEURAL NETWORKS / DUKASCOPY / PREDICTION

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Панченко Д. С., Антипин Е. Г.

В статье представляется новое решение проблемы нормализации входных векторов для нейронных сетей посредством дукаскопии, в частности для прогнозирования временных рядов

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Панченко Д. С., Антипин Е. Г.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

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

Текст научной работы на тему «Дукаскопия, как метод нормализации нейронных сетей»

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

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

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).

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

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

□-----------------------------□

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

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

i Надоели баннеры? Вы всегда можете отключить рекламу.