發(fā)布時間：2020-07-08 12:49

【摘要】：谷歌Alphago在圍棋比賽中以壓倒性優(yōu)勢擊敗著名九段棋手李世石的消息引起了人們極大的關(guān)注,人工智能和深度學(xué)習(xí)也開始為更多的人所了解。深度學(xué)習(xí)是在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出的,它是包含多個隱含層的神經(jīng)網(wǎng)絡(luò),相比于簡單的神經(jīng)網(wǎng)絡(luò)它具備更加強大的學(xué)習(xí)能力,能夠?qū)��?shù)據(jù)做出更高層次的抽象,因此實際應(yīng)用效果也更好。但是深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練一直是個難題,在2006年以前,深度神經(jīng)網(wǎng)絡(luò)很少在機器學(xué)習(xí)領(lǐng)域被提起,因為它不好訓(xùn)練,而且很容易過度擬合導(dǎo)致泛化能力差。直到2006年,Hinton[6]教授提出了深度學(xué)習(xí)的概念,并通過逐層訓(xùn)練的方法解決了深度神經(jīng)網(wǎng)絡(luò)難以訓(xùn)練的問題。之后,Hinton[7]等人又提出了解決神經(jīng)網(wǎng)絡(luò)過度擬合的Dropout方法,使得深度網(wǎng)絡(luò)的泛化能力得到提高。目前,深度學(xué)習(xí)已經(jīng)廣泛的應(yīng)用到了圖像識別、語音識別以及自然語言處理等領(lǐng)域,并掀起了研究的熱潮。本文中將對神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的理論進(jìn)行簡介和概述,并嘗試將這些理論模型應(yīng)用到金融數(shù)據(jù)中以檢驗其實際應(yīng)用效果。全文共分為四章：第一章簡單介紹神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的發(fā)展以及本文的組織結(jié)構(gòu)；第二章則詳細(xì)介紹簡單神經(jīng)網(wǎng)絡(luò)以及它的一些改進(jìn)方法；第三章介紹深度學(xué)習(xí)的障礙以及深度學(xué)習(xí)模型；第四章則將神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方法應(yīng)用到股指期貨數(shù)據(jù)中并比較分析兩者效果。文中從最基礎(chǔ)的感知機模型開始介紹神經(jīng)網(wǎng)絡(luò),之后介紹sigmoid神經(jīng)元以及神經(jīng)網(wǎng)絡(luò),介紹完神經(jīng)網(wǎng)絡(luò)接著介紹它的訓(xùn)練方法以及訓(xùn)練中最常用最基礎(chǔ)的誤差反向傳播算法。之后會對神經(jīng)網(wǎng)絡(luò)中的一些問題進(jìn)行分析并針對具體問題介紹它的相應(yīng)改善方法。在介紹完簡單的神經(jīng)網(wǎng)絡(luò)以后,本文會以一個具體例子來介紹深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練時的困難之處,然后會介紹使這些困難得到成功解決的深度學(xué)習(xí)模型。其中會講到受限玻爾茲曼機,它是深度信念網(wǎng)絡(luò)的基礎(chǔ),文中會對它做詳細(xì)介紹；還會講到另外一種在圖像識別中常用的深度學(xué)習(xí)模型卷積神經(jīng)網(wǎng)絡(luò)模型,文中會對其核心思想進(jìn)行詳細(xì)介紹。在介紹完理論部分后,文章的最后嘗試將簡單神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型應(yīng)用到股指期貨收盤價漲跌預(yù)測中,其中模型輸入會用到當(dāng)前交易時刻的價格、交易數(shù)據(jù)以及部分技術(shù)指標(biāo),輸出則是下一個交易時刻收盤價的漲跌,若上漲則輸出為1若下跌則為0,模型訓(xùn)練好以后我們輸入新的數(shù)據(jù),并將模型輸出與真實數(shù)據(jù)進(jìn)行比較,從而判斷模型的應(yīng)用效果,并分別對簡單神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型應(yīng)用效果進(jìn)行分析比較。
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP183;F830.9

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁成;張榆平;梁洲;張陳方;;受限玻爾茲曼機在裝備保障方案評價中的應(yīng)用[J];太赫茲科學(xué)與電子信息學(xué)報;2016年06期

2 曾維亮;林志賢;陳永灑;;基于卷積神經(jīng)網(wǎng)絡(luò)的智能冰箱果蔬圖像識別的研究[J];微型機與應(yīng)用;2017年08期

3 張兆晨;冀俊忠;;基于卷積神經(jīng)網(wǎng)絡(luò)的fMRI數(shù)據(jù)分類方法[J];模式識別與人工智能;2017年06期

4 范哲;;淺析卷積神經(jīng)網(wǎng)絡(luò)[J];科學(xué)技術(shù)創(chuàng)新;2017年24期

5 龔巖;;基于神經(jīng)網(wǎng)絡(luò)的目標(biāo)圖像識別方法分析[J];電子世界;2017年12期

6 許靜;朱永利;;基于受限玻爾茲曼機的變壓器故障分類[J];電力科學(xué)與工程;2016年07期

7 賀鵬程;;基于類別條件的受限玻爾茲曼機改進(jìn)設(shè)計[J];計算機與數(shù)字工程;2016年08期

8 陸萍;陳志峰;施連敏;;RBM學(xué)習(xí)方法對比[J];計算機時代;2014年11期

9 麥超;鄒維寶;;稀疏受限玻爾茲曼機研究綜述[J];計算機工程與科學(xué);2017年07期

10 楊瑩;吳誠煒;胡蘇;;基于受限玻爾茲曼機的中文文檔分類[J];科技創(chuàng)新導(dǎo)報;2012年16期

相關(guān)會議論文 前10條

1 宋博揚;王凱帥;劉冠杉;;卷積神經(jīng)網(wǎng)絡(luò)在UUV上圖像識別的應(yīng)用[A];第六屆中國指揮控制大會論文集（上冊）[C];2018年

2 唐業(yè)輝;許超;郭天宇;王云鶴;;多級卷積神經(jīng)網(wǎng)絡(luò)[A];第十二屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2018年

3 林升;扈嘯;陳躍躍;;基于卷積神經(jīng)網(wǎng)絡(luò)的機場圖像目標(biāo)識別[A];第二十一屆計算機工程與工藝年會暨第七屆微處理器技術(shù)論壇論文集[C];2017年

4 杜延春;李貽斌;王桂月;;基于遺傳算法的對角回歸神經(jīng)網(wǎng)絡(luò)[A];2007中國控制與決策學(xué)術(shù)年會論文集[C];2007年

5 姚煥炯;徐朝樹;李波;;基于神經(jīng)網(wǎng)絡(luò)的激光掃描數(shù)據(jù)擬合[A];中國測繪學(xué)會九屆四次理事會暨2008年學(xué)術(shù)年會論文集[C];2008年

6 姚煥炯;徐朝樹;李波;;基于神經(jīng)網(wǎng)絡(luò)的激光掃描數(shù)據(jù)擬合[A];第十屆中國科協(xié)年會論文集（一）[C];2008年

7 張廣遠(yuǎn);萬強;曹海源;田方濤;;基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的故障診斷方法研究[A];第十二屆全國設(shè)備故障診斷學(xué)術(shù)會議論文集[C];2010年

8 王曉琳;伍海華;;遺傳算法和神經(jīng)網(wǎng)絡(luò)在匯率預(yù)測中的應(yīng)用[A];2006中國控制與決策學(xué)術(shù)年會論文集[C];2006年

9 高慧;趙建玉;賈磊;;基于前向型神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測研究[A];計算機技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

10 公延飛;范杰清;郝建紅;;神經(jīng)網(wǎng)絡(luò)在腔體損耗因子預(yù)測中的應(yīng)用[A];2014年全國電磁兼容與防護技術(shù)學(xué)術(shù)會議論文集[C];2014年

相關(guān)重要報紙文章 前10條

1 ;神經(jīng)網(wǎng)絡(luò)小史[N];電子報;2018年

2 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開復(fù)雜工藝“黑箱”[N];解放日報;2007年

3 張允碩 姜正義 甄海鋒 河南理工大學(xué);基于神經(jīng)網(wǎng)絡(luò)的自適應(yīng)PID控制的智能衣架[N];科學(xué)導(dǎo)報;2019年

4 湖北日報全媒記者 張愛虎 通訊員 徐向軍 實習(xí)生 于藍(lán);一群“90后”率先建成鐵路“神經(jīng)網(wǎng)絡(luò)”[N];湖北日報;2019年

5 記者 劉霞;憶阻器制成神經(jīng)網(wǎng)絡(luò)更高效[N];科技日報;2017年

6 整理 本報記者 諸玲珍 顧鴻儒;微軟神經(jīng)網(wǎng)絡(luò)切割法可使加速作用超線性[N];中國電子報;2018年

7 張敏;人機大戰(zhàn)，到底誰會贏？[N];北京日報;2017年

8 ;人工智能將取得大面積突破[N];中國企業(yè)報;2017年

9 本報記者 龔丹韻;人機大戰(zhàn)：人類還有優(yōu)勢嗎[N];解放日報;2017年

10 ;人類正迎來云端機器人時代[N];中國企業(yè)報;2017年

相關(guān)博士學(xué)位論文 前10條

1 馬學(xué)思;受限玻爾茲曼機學(xué)習(xí)算法研究[D];北京郵電大學(xué);2016年

2 羅恒;基于協(xié)同過濾視角的受限玻爾茲曼機研究[D];上海交通大學(xué);2011年

3 連自鋒;基于深層神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究[D];北京郵電大學(xué);2017年

4 薛迪秀;基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識別研究[D];中國科學(xué)技術(shù)大學(xué);2017年

5 沈晴;面向交通擁堵預(yù)測大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)群組快速學(xué)習(xí)[D];北京科技大學(xué);2017年

6 殷翔;語音合成中的神經(jīng)網(wǎng)絡(luò)聲學(xué)建模方法研究[D];中國科學(xué)技術(shù)大學(xué);2016年

7 王娜;地質(zhì)大數(shù)據(jù)功能分析及其分類算法研究[D];吉林大學(xué);2019年

8 李嘉;基于卷積神經(jīng)網(wǎng)絡(luò)的心律失常自動分類關(guān)鍵技術(shù)研究[D];吉林大學(xué);2019年

9 王金玲;基于連續(xù)和離散復(fù)雜系統(tǒng)的穩(wěn)定性及耗散性分析[D];新疆大學(xué);2019年

10 徐夢佳;基于深度卷積神經(jīng)網(wǎng)絡(luò)的多模態(tài)醫(yī)學(xué)影像分析方法研究[D];東北大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 白凱敏;神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)在量化投資中的應(yīng)用[D];山東大學(xué);2016年

2 張怡康;基于受限玻爾茲曼機的深度學(xué)習(xí)方法研究[D];北京化工大學(xué);2016年

3 陳碩;深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用研究[D];華南理工大學(xué);2013年

4 萬程;自適應(yīng)基數(shù)受限玻爾茲曼機[D];清華大學(xué);2015年

5 張艷霞;基于受限玻爾茲曼機的深度學(xué)習(xí)模型及其應(yīng)用[D];電子科技大學(xué);2016年

6 王芳;基于深度信念網(wǎng)絡(luò)的資源檢索與推薦系統(tǒng)[D];北京郵電大學(xué);2015年

7 糜帥;基于曲率信息的受限玻爾茲曼機訓(xùn)練算法[D];天津大學(xué);2016年

8 劉思萌;高斯分布受限玻爾茲曼機及其高維擴展[D];北京工業(yè)大學(xué);2017年

9 馬貝;基于受限玻爾茲曼機的推薦算法研究[D];東南大學(xué);2015年

10 滕建磊;基于深度置信網(wǎng)絡(luò)的構(gòu)造煤分布預(yù)測模型研究[D];中國礦業(yè)大學(xué);2019年

本文編號：2746559