Главная База знаний "Allbest" Программирование, компьютеры и кибернетика Программное обеспечение, использующие в качестве вычислительного механизма для прогнозирования - нейронные сети

Программное обеспечение, использующие в качестве вычислительного механизма для прогнозирования - нейронные сети

Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.

Рубрика Программирование, компьютеры и кибернетика
Вид дипломная работа
Язык русский
Дата добавления 18.02.2017
Размер файла 2,7 M

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

main="Прогнозирование объёма")

lines( modelElmanVolumes$fittedTestValues[1:51], col = "red") legend('top', c('реальное', 'прогноз'),

lty=1, col=c('black', 'red'), bty='n', cex=1)

hist(modelElmanVolumes$fitted.values - patterns$targetsTrain) mae(targets[1:100], modelElmanVolumes$fitted.values[1:100]) rmse(targets[1:100], modelElmanVolumes$fitted.values[1:100]) rmsle(targets[1:100], modelElmanVolumes$fitted.values[1:100])

inputs <- scaled_e[, -c(1, 2)] targets <- scaled_e[, c(1)]

patterns <- splitForTrainingAndTest(inputs, targets, ratio = 0.1) modelElman <- elman(patterns$inputsTrain, patterns$targetsTrain,

size = c(2, 8), learnFuncParams = c(0.1), maxit = 500, inputsTest = patterns$inputsTest,

targetsTest = patterns$targetsTest, linOut = FALSE)

plotIterativeError(modelElman)

plot(targets[1:502], type="l", xlab="Наблюдение", ylab="Значение цены", main="Прогнозирование цены акции")

lines(modelElman$fitted.values[1:502], col = "red") mae(patterns$targetsTrain[1:451], modelElman$fitted.values[1:451]) plotRegressionError(patterns$targetsTrain, modelElman$fitted.values) plotRegressionError(patterns$targetsTest, modelElman$fittedTestValues) plot(modelElman$fittedTestValues[1:51], col="red", type="l",

xlab="Наблюдение", ylab="Значение цены", main="Прогнозирование цены акции")

lines( patterns$inputsTest[1:51], ) legend('top', c('реальное', 'прогноз'),

lty=1, col=c('black', 'red'), bty='n', cex=1) hist(modelElman$fitted.values - patterns$targetsTrain) mae(targets[1:100], modelElman$fitted.values[1:100]) rmse(targets[1:100], modelElman$fitted.values[1:100]) rmsle(targets[1:100], modelElman$fitted.values[1:100])

ПРИЛОЖЕНИЕ 2

СПЕЦИФИКАЦИЯ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ОБЪЁМА

Class: elman->rsnns Number of inputs: 8 Number of outputs: 1 Maximal iterations: 500

Initialization function: JE_Weights Initialization function parameters: 1 -1 0.3 1 0.5 Learning function: JE_BP

Learning function parameters: 0.1 Update function:JE_Order Update function parameters: 0

Patterns are shuffled internally: FALSE Compute error in every iteration: TRUE Architecture Parameters:

$size [1] 2 8

All members of model:

[1] "nInputs""maxit""initFunc" "initFuncParams""learnFunc"

[6] "learnFuncParams""updateFunc""updateFuncParams" "shufflePatterns""computeIterativeError"

[11] "snnsObject""archParams""IterativeFitError" "IterativeTestError""fitted.values"

[16] "fittedTestValues""nOutputs"

source files: no. of units: 29

no. of connections: 128 no. of unit types: 0

no. of site types: 0

learning function: JE_BP update function: JE_Order

unit default section:

act| bias| st | subnet | layer | act func| out func

-----|-----|--|----|----|-------|-------

1.00000 | 0.00000 | i |0 |1 | Act_Logistic | Out_Identity

-----|-----|--|----|----|-------|-------

unit definition section:

no. | typeName | unitName | act| bias| st | position | act func| out func | sites

--|-----|-----|-----|-----|--|-----|-------|-----|--

1 || inp1| 0.51829 | 0.91024 | i | 1, 1, 0 | Act_Identity ||

2 || inp2| 0.49962 | -0.07818 | i | 1, 2, 0 | Act_Identity ||

3 || inp3| 0.53489 | -0.66562 | i | 1, 3, 0 | Act_Identity ||

4 || inp4| 0.00192 | 0.95160 | i | 1, 4, 0 | Act_Identity ||

5 || inp5| 0.97510 | 0.92878 | i | 1, 5, 0 | Act_Identity ||

6 || inp6| 0.13027 | 0.14039 | i | 1, 6, 0 | Act_Identity ||

7 || inp7| 0.80077 | 0.49447 | i | 1, 7, 0 | Act_Identity ||

8 || inp8| 0.84674 | 0.21411 | i | 1, 8, 0 | Act_Identity ||

9 || hid11| 0.39380 | -0.54910 | h | 7, 1, 0 |||

10 || hid12| 0.30335 | -0.74159 | h | 7, 2, 0 |||

11 || hid21| 0.29328 | -0.50990 | h | 13, 1, 0 |||

12 || hid22| 0.16618 | -1.12105 | h | 13, 2, 0 |||

13 || hid23| 0.28791 | -0.24695 | h | 13, 3, 0 |||

14 || hid24| 0.35816 | -0.61924 | h | 13, 4, 0 |||

15 || hid25| 0.19608 | -0.98581 | h | 13, 5, 0 |||

16 || hid26| 0.26634 | -0.37546 | h | 13, 6, 0 |||

17 || hid27| 0.36907 | 0.45445 | h | 13, 7, 0 |||

18 || hid28| 0.26939 | -0.72472 | h | 13, 8, 0 |||

19 || out1| 0.43536 | 0.67411 | o | 19, 1, 0 |||

20 || con11| 0.63966 | 0.50000 | sh | 4, 10, 0 | Act_Identity |

21 || con12| 0.48126 | 0.50000 | sh | 4, 11, 0 | Act_Identity |

|

|

22 |

23 |

| con21

| con22

|

|

0.41142 |

0.24415 |

0.50000 | sh

0.50000 | sh

| 10, 10, 0 | Act_Identity |

| 10, 11, 0 | Act_Identity |

|

|

|

|

|

|

24 |

25 |

26 |

27 |

28 |

29 |

| con23

| con24

| con25

| con26

| con27

| con28

|

|

|

|

|

|

0.41575 |

0.50754 |

0.27448 |

0.35406 |

0.49056 |

0.38707 |

0.50000 | sh

0.50000 | sh

0.50000 | sh

0.50000 | sh

0.50000 | sh

0.50000 | sh

| 10, 12, 0 | Act_Identity |

| 10, 13, 0 | Act_Identity |

| 10, 14, 0 | Act_Identity |

| 10, 15, 0 | Act_Identity |

| 10, 16, 0 | Act_Identity |

| 10, 17, 0 | Act_Identity |

--|-----|-----|-----|-----|--|-----|-------|-----|--

connection definition section:

target | site | source:weight

----|---|---------------------------------------

--------------------

9 || 21: 0.78085, 20: 0.03714, 8: 0.13071, 7: 0.58586, 6: 1.19854,

5:-1.38897, 4: 0.64838, 3: 0.74445, 2: 0.32752,

1:-0.61820

10 || 21: 0.14700, 20:-0.62346, 8:-1.16029, 7:-1.10538, 6: 1.10225,

5: 0.04885, 4: 0.83319, 3: 2.46233, 2: 0.30850,

1: 1.03711

11 || 29:-0.31880, 28: 0.50909, 27:-0.57432, 26: 0.33647,

25:-0.63273, 24: 0.35063, 23: 0.67615, 22:-0.91504, 10: 0.24725,

9:-0.24237

12 || 29:-0.14271, 28:-0.45119, 27:-0.91477, 26: 0.70963,

25:-0.33978, 24: 0.73801, 23: 0.33661, 22:-0.98593, 10: 0.69700,

9:-0.57670

13 || 29:-1.01722, 28: 0.49875, 27: 0.71013, 26:-0.76393,

25:-0.15522, 24:-0.76114, 23:-0.50840, 22:-0.46115, 10: 0.08375,

9: 0.55965

14 || 29: 0.00815, 28: 0.39345, 27: 0.00919, 26: 0.42918, 25:

0.23629, 24:-1.20091, 23: 0.27135, 22:-0.43844, 10:-0.05168,

9: 0.68664

15 || 29: 0.82264, 28:-0.69861, 27:-0.61898, 26: 0.95131,

25:-0.10768, 24:-0.13575, 23:-0.45338, 22: 0.15542, 10:-1.25214,

9: 0.03904

16 || 29: 0.96526, 28: 0.56589, 27:-0.79278, 26: 0.52538,

25:-0.20436, 24:-0.81696, 23: 0.23472, 22:-1.13947, 10:-0.99899,

9:-0.02655

17 || 29: 1.14300, 28: 0.07978, 27:-0.80262, 26: 0.13648,

25:-0.94489, 24: 0.25123, 23: 0.80855, 22:-0.41380, 10:-2.22286,

9:-0.71554

18 || 29: 0.18850, 28:-0.72904, 27: 0.38381, 26: 0.07991,

25:-0.95765, 24: 0.68550, 23: 0.48964, 22: 0.35685, 10:-1.11580,

9: 0.17927

19 || 18:-0.33628, 17:-1.79558, 16:-1.15614, 15:-0.91105, 14:

0.28457, 13: 0.67597, 12:-0.00240, 11: 0.03270

20 || 20: 0.30000, 9: 1.00000

21 || 21: 0.30000, 10: 1.00000

22 || 22: 0.30000, 11: 1.00000

23 || 23: 0.30000, 12: 1.00000

24 || 24: 0.30000, 13: 1.00000

25 || 25: 0.30000, 14: 1.00000

26 || 26: 0.30000, 15: 1.00000

27 || 27: 0.30000, 16: 1.00000

28 || 28: 0.30000, 17: 1.00000

29 || 29: 0.30000, 18: 1.00000

------|---|-------------------------------------

ПРИЛОЖЕНИЕ 3

СПЕЦИФИКАЦИЯ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ЦЕНЫ АКЦИИ

Class: elman->rsnns Number of inputs: 9 Number of outputs: 1 Maximal iterations: 500

Initialization function: JE_Weights Initialization function parameters: 1 -1 0.3 1 0.5 Learning function: JE_BP

Learning function parameters: 0.1 Update function:JE_Order Update function parameters: 0

Patterns are shuffled internally: FALSE Compute error in every iteration: TRUE Architecture Parameters:

$size [1] 2 8

All members of model:

[1] "nInputs""maxit""initFunc" "initFuncParams""learnFunc"

[6] "learnFuncParams""updateFunc""updateFuncParams" "shufflePatterns""computeIterativeError"

[11] "snnsObject""archParams""IterativeFitError" "IterativeTestError""fitted.values"

[16] "fittedTestValues""nOutputs" source files:

no. of units: 30

no. of connections: 130 no. of unit types: 0

no. of site types: 0

learning function: JE_BP update function: JE_Order

unit default section:

act| bias| st | subnet | layer | act func| out func

-----|-----|--|----|----|-------|-------

1.00000 | 0.00000 | i |0 |1 | Act_Logistic | Out_Identity

-----|-----|--|----|----|-------|-------

unit definition section:

no. | typeName | unitName | act| bias| st | position | act func| out func | sites

--|-----|-----|-----|-----|--|-----|-------|-----|--

--

1 || inp1| 0.48676 | -0.36181 | i | 1, 1, 0 | Act_Identity ||

2 || inp2| 0.46967 | 0.34410 | i | 1, 2, 0 | Act_Identity ||

3 || inp3| 0.44879 | 0.45020 | i | 1, 3, 0 | Act_Identity ||

4 || inp4| 0.56144 | 0.92300 | i | 1, 4, 0 | Act_Identity ||

5 || inp5| 0.57566 | 0.57297 | i | 1, 5, 0 | Act_Identity ||

6 || inp6| 0.55823 | 0.60182 | i | 1, 6, 0 | Act_Identity ||

7 || inp7| 0.54358 | 0.94903 | i | 1, 7, 0 | Act_Identity ||

8 || inp8| 0.51081 | 0.08231 | i | 1, 8, 0 | Act_Identity ||

9 || inp9| 0.49686 | 0.62406 | i | 1, 9, 0 | Act_Identity ||

10 || hid11| 0.10687 | -0.43698 | h | 7, 1, 0 |||

11 || hid12| 0.53540 | -1.01796 | h | 7, 2, 0 |||

12 || hid21| 0.43922 | -0.97249 | h | 13, 1, 0 |||

13 || hid22| 0.53670 | 0.21503 | h | 13, 2, 0 |||

14 || hid23| 0.54332 | 0.02000 | h | 13, 3, 0 |||

15 || hid24| 0.55507 | 0.31147 | h | 13, 4, 0 |||

16 || hid25| 0.51190 | 0.64013 | h | 13, 5, 0 |||

17 || hid26| 0.49504 | 0.73774 | h | 13, 6, 0 |||

18 || hid27| 0.13988 | -0.55175 | h | 13, 7, 0 |||

19 || hid28| 0.41633 | 1.42661 | h | 13, 8, 0 |||

20 || out1| 0.57017 | -1.39461 | o | 19, 1, 0 |||

21 || con11| 0.15607 | 0.50000 | sh | 4, 11, 0 | Act_Identity |

22 || con12| 0.75708 | 0.50000 | sh | 4, 12, 0 | Act_Identity |

|

|

23 |

24 |

| con21

| con22

|

|

0.62183 |

0.76972 |

0.50000 | sh

0.50000 | sh

| 10, 11, 0 | Act_Identity |

| 10, 12, 0 | Act_Identity |

|

|

|

|

|

|

25 |

26 |

27 |

28 |

29 |

30 |

| con23

| con24

| con25

| con26

| con27

| con28

|

|

|

|

|

|

0.77062 |

0.78780 |

0.72800 |

0.70384 |

0.19957 |

0.59929 |

0.50000 | sh

0.50000 | sh

0.50000 | sh

0.50000 | sh

0.50000 | sh

0.50000 | sh

| 10, 13, 0 | Act_Identity |

| 10, 14, 0 | Act_Identity |

| 10, 15, 0 | Act_Identity |

| 10, 16, 0 | Act_Identity |

| 10, 17, 0 | Act_Identity |

| 10, 18, 0 | Act_Identity |

--|-----|-----|-----|-----|--|-----|-------|-----|--

connection definition section:

target | site | source:weight

----|---|---------------------------------------

10 || 22:-0.94150, 21: 0.40086, 9: 0.01101, 8:-0.98448, 7:-0.46580,

6:-0.93659, 5:-0.04103, 4:-0.03008, 3:-0.70138,

2: 0.68545, 1: 0.51493

11 || 22:-1.24629, 21: 0.04120, 9:-0.02467, 8:-0.67661, 7: 0.38491,

6: 0.41195, 5: 2.07589, 4: 1.76777, 3:-0.63471,

2: 0.28145, 1:-0.08667

12 || 30:-0.10219, 29: 0.62202, 28:-0.94720, 27:-0.43497, 26:

0.95289, 25: 0.47069, 24:-0.72667, 23:-0.08526, 11: 2.15215,

10: 0.07025

13 || 30: 0.24569, 29: 0.90801, 28:-0.74348, 27: 0.38874,

26:-0.30248, 25: 0.32766, 24: 0.42428, 23: 0.26805, 11:-1.22837,

10:-0.09089

14 || 30:-0.73948, 29:-0.03032, 28:-0.68928, 27:-0.20091, 26:

0.96102, 25:-0.30051, 24:-0.33289, 23: 0.79614, 11: 1.04951,

10:-0.66068

15 || 30:-0.75635, 29:-0.76173, 28: 0.54731, 27: 0.90897,

26:-0.20839, 25:-0.54035, 24:-1.03927, 23:-0.10634, 11: 1.62659,

10: 0.55208

16 || 30:-1.09710, 29:-0.73304, 28:-0.43102, 27:-0.08359,

26:-0.08482, 25:-0.40766, 24: 0.27553, 23:-0.34922, 11: 1.90140,

10:-0.58198

17 || 30:-0.83221, 29:-0.86215, 28:-0.70565, 27: 0.50233,

26:-0.01443, 25:-0.66863, 24:-0.24112, 23:-0.04713, 11: 1.57999,

10:-0.57460

18 || 30: 0.23697, 29: 0.31094, 28:-0.44532, 27:-0.96210, 26:

0.97451, 25:-0.57026, 24:-0.98152, 23: 0.27689, 11:-0.18014,

10:-0.95082

19 || 30:-0.41044, 29: 0.65852, 28:-0.34436, 27:-0.73330,

26:-0.23393, 25:-0.33138, 24:-0.07857, 23: 1.00260, 11:-2.03768,

10: 0.90765

20 || 19:-2.86798, 18:-0.01735, 17: 1.38293, 16: 1.69478, 15:

1.49599, 14: 0.78229, 13:-1.56680, 12: 2.06485

21 || 21: 0.30000, 10: 1.00000

22 || 22: 0.30000, 11: 1.00000

23 || 23: 0.30000, 12: 1.00000

24 || 24: 0.30000, 13: 1.00000

25 || 25: 0.30000, 14: 1.00000

26 || 26: 0.30000, 15: 1.00000

27 || 27: 0.30000, 16: 1.00000

28 || 28: 0.30000, 17: 1.00000

29 || 29: 0.30000, 18: 1.00000

30 || 30: 0.30000, 19: 1.00000

Размещено на Allbest.ru

Страница:


Подобные документы

  • Нейронные сети

    Базовые архитектуры компьютеров: последовательная обработка символов по заданной программе и параллельное распознавание образов по обучающим примерам. Искусственные нейронные сети. Прототип для создания нейрона. Поведение искусственной нейронной сети.

    контрольная работа [229,5 K], добавлен 28.05.2010

  • Разработка топологии нейронной сети для прогнозирования выбора тяжелых токарных станков

    Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.

    курсовая работа [549,7 K], добавлен 03.03.2015

  • Разработка и исследование искусственной нейронной сети для управления динамическим объектом с переменными параметрами

    Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.

    дипломная работа [2,6 M], добавлен 23.09.2013

  • Использование нечеткой искусственной нейронной сети TSK (Takagi, Sugeno, Kang’a) в задаче прогнозирования валютных курсов

    Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.

    курсовая работа [2,2 M], добавлен 12.11.2010

  • Нейронные сети

    Механизм работы нервной системы и мозга человека. Схема биологического нейрона и его математическая модель. Принцип работы искусственной нейронной сети, этапы ее построения и обучения. Применение нейронных сетей в интеллектуальных системах управления.

    презентация [98,6 K], добавлен 16.10.2013

  • Самообучающиеся системы

    Характеристика моделей обучения. Общие сведения о нейроне. Искусственные нейронные сети, персептрон. Проблема XOR и пути ее решения. Нейронные сети обратного распространения. Подготовка входных и выходных данных. Нейронные сети Хопфилда и Хэмминга.

    контрольная работа [1,4 M], добавлен 28.01.2011

  • Нейронные сети

    Преимущества нейронных сетей. Модели нейронов, представляющих собой единицу обработки информации в нейронной сети. Ее представление с помощью направленных графов. Понятие обратной связи (feedback). Основная задача и значение искусственного интеллекта.

    реферат [1,2 M], добавлен 24.05.2015

  • Разработка программы моделирования нейронной сети

    Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.

    дипломная работа [814,6 K], добавлен 29.09.2014

  • Нейронные сети с радиальными базисными функциями

    Преимущества и недостатки нейронных сетей с радиальными базисными функциями (РБФ). Функции newrbe и newrb для построения РБФ общего вида и автоматической настройки весов и смещений. Пример построения нейронной сети с РБФ в математической среде Matlab.

    лабораторная работа [238,7 K], добавлен 05.10.2010

  • Аппроксимация функции с использованием нейронных сетей

    Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.

    лабораторная работа [1,1 M], добавлен 05.10.2010

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены