Filtering Input Data of Neural Network Using Digital Signal Processing Technology
DOI:
https://doi.org/10.22213/2413-1172-2017-4-104-109Keywords:
artificial intelligence, optimization methods, neural networks, genetic algorithm, noise suppressionAbstract
One of the important areas of research in the field of artificial intelligence can be called optimization methods, including stochastic algorithms. This technology is used to solve various problems in many areas of activity. The aim of the research presented in the paper is to improve the training of a neural network by the genetic algorithm method by filtering input data using digital signal processing technology. As input data, stock quotes are used. A neural network is a collection of layers of neurons, where each neuron is a function of the sum of the input signals multiplied by weights. In this research a sigmoid transfer function was used. The input data are filtered to improve the learning quality. Technical analysis, the method of automatic regression and the application of neural networks are considered in the review part. The hypothesis of the possibility of improving the quality of training the neural network by suppressing noise in the source data using DSP methods is advanced and tested. The hypothesis of the dependence of the neural network training quality on the statistical characteristics of the sample was tested. The method of filtering stock quotes using the moving average and median filtering is considered. The filter data formulas are derived from digital signal processing and digital image processing technologies and are changed to the requirements of technical analysis of financial stocks. Comparative examples of graphs of source quotations and forecasts using these filtration methods are given. The results of the experiment and the numerical evaluation of the quality of training as well as statistical characteristics of the sample are presented, thus confirming the relationship between the statistical characteristics of the sample and the quality of the training of the neural network. The positive effect of preliminary filtering of data on the quality of training of the neural network was confirmed.References
Шуравин А. П. Исследование обучаемости нейронной сети на примере предсказания числовых рядов // Научные достижения и открытия - 2017 : сборник статей III Междунар. науч.-практ. конкурса. Пенза : Наука и Просвещение, 2017. С. 31-36.
Там же. С. 31.
Хемди А. Таха. Введение в исследование операций. М. : Вильямс, 2007. 912 с.
Вологдин С. В. Исследование и оптимизация режимов теплоснабжения зданий, обслуживаемых централизованным источником тепла : автореф. дис. … канд. техн. наук: 05.13.16. Ижевск : ИжГТУ, 2000.
Щенятский А. В., Якимович Б. А., Вологдин С. В. Разработка пакета прикладных программ по повышению энергоэффективности системы централизованного теплоснабжения // Современные информационные технологии в ИТ-образовании : сборник избранных трудов VII Междунар. науч.-практ. конф. М. : ИНТУИТ.РУ, 2012. С. 643-654.
Вологдин С. В., Мошкин А. В. Математическая модель оптимизации затрат на производство и транспортировку тепловой энергии в системе централизованного отопления при наличии регулятора напора и сопротивления // В мире научных открытий. 2011. № 8. С. 281-290.
Вологдин С. В. Математическая модель оптимизации тепловых потоков между зданиями многоконтурной тепловой сети с целью снижения дисбаланса системы теплоснабжения за счет регулирования сопл элеваторных узлов // В мире научных открытий. 2011. № 12. С. 194-204.
Эдлер А. Как играть и выигрывать на бирже. М. : Альпина Бизнес Боок, 2008. 472 с.
Пайпер Дж. Дорога к трейдингу. СПб. : Питер, 2004. 286 с.
Вавилов С. А., Ермоленко К. Ю. Процедура сглаживания биржевых котировок без использования настраиваемых по историческим данным параметров // Вестник Санкт-Петербургского университета. 2004. №13. С. 97-106.
Савченко В. В. Использование линейной авторегрессионной модели для прогнозирования динамики биржевых котировок // Автометрия. 2004. № 4. С. 117-128.
Шуравин А. П. Исследование обучаемости нейронной сети на примере предсказания числовых рядов… С. 32-33.
Погорелов Н. Е., Пимонов А. Г. Нейросетевая система анализа и прогнозирования биржевых котировок акций // Материалы Всерос. молодежной конф. «Информационно-телекоммуникационные системы и технологии (ИТСИТ-2012)». Кемерово : Кузбасский государственный технический университет им. Т. Ф. Горбачева, 2012. С. 46-47.
Стюарт Рассел, Питер Норвиг. Искусственный интеллект. Современный подход. М. : Вильямс, 2016. 1408 с.
Шуравин А. П. Исследование обучаемости нейронной сети на примере предсказания числовых рядов… С. 33-35.
Шуравин А. П. Исследование обучаемости нейронной сети на примере предсказания числовых рядов… С. 32-33.
Shuravin A. P. Reviw of image Edge Detection Methods in Computer Vision Problems // IV Всерос. науч.-техн. конф. аспирантов, магистрантов и молодых ученых с международным участием «Молодые ученые - ускорению научно-технического прогресса в XXI веке» (Ижевск, 20-21 апреля 2016 г.). С. 1020-1024.
Шуравин А. П. Сравнение методов нахождения ключевых точек на контуре изображений аэрофотосъемки // Молодой ученый. 2017. № 4(138). С. 89-93.
Сергиенко А. Б. Цифровая обработка сигналов. СПб. : Питер, 2003. 603 с.
Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход. М. : Вильямс, 2004. 465 с.
Gonzalez R., Woods R. Digital image processing. Published by Pearson Education Inc.; Publishing as Prentice Hall, 2002. 1072 p.
Шуравин А. П. Исследование обучаемости нейронной сети на примере предсказания числовых рядов… С. 32.
Шуравин А. П. Исследование обучаемости нейронной сети на примере предсказания числовых рядов… С. 34.
Шуравин А. П. Исследование обучаемости нейронной сети на примере предсказания числовых рядов… С. 35.
