Автореферат (1137290), страница 4
Текст из файла (страница 4)
На основе некоторого (каждыйраз разного) слова-эталона Xr путем дублирования или удаления части его фонемформировалось распознаваемое слово. Среднее количество вычислений рассогласований при точности 99% составило примерно 20,6% от количества альтернатив.Этот эксперимент убедительно показал, что МНП может успешно применяться и втакой сложной задаче классификации, как распознавание речи.В заключительном, третьем разделе главы рассмотрена задача многоальтернативного планирования биржевой игры на фондовом рынке по принципу аналогии текущего состояния рынка с его состояниями в прошлом. Задача сводится кмногоальтернативной классификации в режиме «без учителя», в пределах нескольких тысяч альтернатив в ретроспективе рынка глубиной в несколько лет.Вначале задаются размер U периода, на котором курс цен считается однородным,и набор параметров {c(ν)(t)}, v = 1,V , наиболее адекватно, по мнению исследователя, характеризующих конъюнктуру рынка.
План игры зависит от знака приращений параметров x(ν)(t)=c(ν)(t)-c(ν)(t-1) - положительное приращение соответствует росту цен, отрицательное - спаду. Предположим, что каждая торговая сессия в{}(r )момент времени t ≥ U определяет изображение X r = xuv,k , k ∈ {1,2} с двумя ком-понентами цветности{}(r )(r )xuv,1 = max xuv ,0и{}(r )(r )xuv, 2 = max − xuv ,0 , где r=t-U и(r )xuv= x ( v ) (r + u ) . Тем самым задана математическаямодель фондового рынка в виде изображения приращений цен для данного финансового инструменРис.
5.Графическая модельрынка ценных бумагта на данный момент времени. Текущая рыночнаяситуация описывается аналогичным изображением16X. Для иллюстрации на рис. 5 показаны модели-изображения акций General Electric на период длиной в одну неделю на 20.02.2001 и 22.09.2009. Несмотря на значительный временной сдвиг между ними, рассматриваемые состояния весьмаблизки по геометрии рисунка. Эффект от сказанного еще более усиливается рис.6, где сопоставлены временные диаграммы рынка для тех же (рис.5) состояний,причем как в ретро, так и перспективе.501716151422.09.094846444220.02.200124.02.200128.02.200104.03.200126.09.0930.09.0904.10.09Рис. 6. Временные диаграммы рыночных ценРеальная ретроспектива рынка содержит в себе большое число R >> 1 изображений-эталонов {Xr}, которые можно сгруппировать в несколько состоянийкластеров. Предположив, что Xr представляет собой спектральную плотность некоего (гипотетического) двумерного случайного сигнала, сведем задачу к проверке R гипотез о спектральной плотности мощности сигнала - текущего состояния рынка X, тогда основанное на принципе МИР (9) решение примет видU(() ())Vrr∑ xuv, k / xuv, k − ln xuv, k / xuv, k − 1 → min .
(10)k =1u = 1v = 12ρ KL ( X / X r ) = (2UV )−1 ∑ ∑Для многоальтернативного планирования игры достаточно привести критерий (10) к виду (4). Действительно, при надлежащем выборе порога ρ0 условию (4) могут удовлетворить сразу несколько эталонов.В процессе экспериментальных исследований рассмотрено несколько примеров из истории акций компании General Electric и индекса высокотехнологичного сектора американского рынка Nasdaq-100.
Использовались стандартные параметры: цены открытия, закрытия, а также минимальная и максимальная цена.Исторические данные (ретроспектива) взяты за период с января 1995г по сентябрь 2009г. Количество ближайших альтернатив задано равным A=4. Для ихнахождения использовалась описанная в главе 3 система распознавания изображений. Среднее число вычислений по МНП составило здесь 24,8% от объемаретроспективы для акций General Electric и 33,4% - для индекса Nasdaq-100. Для17сравнения, случайный поиск потребовал соответственно 66,7% и 80,2% вычислений рассогласований. Полученные результаты подтверждают ожидания в отношении перспектив применения метода направленного перебора в задачахклассификации произвольных объектов, заданных в виде таблиц данных.В заключении содержатся сведения об основных результатах диссертационного исследования, сделанные по ним выводы, а также рекомендации по использованию полученных результатов на практике.ОСНОВНЫЕ РЕЗУЛЬТАТЫ ДИССЕРТАЦИОННОЙ РАБОТЫ1.
Исследована новая теоретико-вероятностная модель полутонового изображения в задаче классификации среди большого количества альтернатив; на основе этой модели синтезирован новый алгоритм распознавания изображений покритерию минимума информационного рассогласования в метрике КульбакаЛейблера. Доказано, что критерий минимума информационного рассогласованияявляется оптимальным в байесовском смысле для задач классификации дискретных случайных объектов, в том числе, цифровых изображений. Показано, чтоточность распознавания изображений с варьирующейся освещенностью на основепредложенного критерия существенно выше точности традиционных методов.2. Исследованы метрические и направленные свойства решающей статистики информационного рассогласования.
На их основе разработан новый вычислительный метод направленного перебора альтернатив. Показано, что предложенный метод сокращает перебор множества эталонов не только для метрики Кульбака-Лейблера, но и при использовании традиционных метрик.3. В условиях натурных испытаний с использованием разработанного комплекса программ исследована эффективность метода направленного перебора взадачах классификации изображений с большими базами данных эталонов. Показано, что применение метода направленного перебора в предложенном двухэтапном алгоритме позволяет на порядок увеличить скорость вычислений по сравнению с известными современными методами «ближайших соседей».4. На основе метода направленного перебора разработан алгоритм автоматического распознавания речи по критерию минимума информационного рассогла18сования. Показано, что этот алгоритм обладает более высокими (в 3-5 раз) динамическими свойствами, чем известные аналоги, реализующие сплошной переборамножества эталонов.5.
Исследована перспектива применения метода направленного перебора длязадачи классификации объектов, заданных таблицами данных. На примере классификации состояний фондового рынка показано, что применение предложенногометода позволяет в 3-4 раза ускорить процедуру поиска в ретроспективе состояния, наиболее близкого по динамике к текущему состоянию рынка.СПИСОК ПУБЛИКАЦИЙ АВТОРА ПО ТЕМЕ ДИССЕРТАЦИИРаботы в изданиях, входящих в Перечень ВАК:1. Савченко А.В.
Метод направленного перебора альтернатив в задаче автоматического распознавания полутоновых изображений // Автометрия. - 2009. –Т.45, №3. - с.90-98. 0,5 п.л.2. Савченко А.В. Распознавание изображений методом направленного перебора сприменением редукции множества альтернатив // Системы управления и информационные технологии. - 2009. – Т.37, №3. - С.40-47.
0,5 п.л.3. Савченко А.В. Метод направленного перебора словаря в задаче автоматического распознавания речи на основе принципа минимума информационногорассогласования // Системы управления и информационные технологии. 2009. – Т.35, №1. - С.83-91. 0,75 п.л.4. Савченко А.В. Распознавание изображений методом направленного переборана основе принципа минимума информационного рассогласования // ВестникНижегородского Университета им. Н.И. Лобачевского.
- 2010. - №2. - С.211216. 1,0 п.л.5. Савченко В.В., Савченко А.В. Принцип минимального информационного рассогласования в задаче распознавания дискретных объектов // Известия вузовРоссии. Радиоэлектроника. - 2005. - №3. - С.10-18. 1,0 п.л. (вклад автора 0,3п.л.)Работы в других изданиях:6. Савченко А.В. Распознавание фотографий лиц методом направленного перебо19ра на основе принципа минимума информационного рассогласования //Тр.Конгресса по интеллектуальным и информационным технологиям «AISIT’09». - М. Физматлит.
– 2009. - Т.3.-С.314-315. 0,1 п.л.7. Савченко А.В. Метод направленного перебора альтернатив в задаче планирования биржевой игры. // Материалы XVI международной научно-техническойконференции «Информационные системы и технологии-2010». НГТУ, НижнийНовгород.
- 2010. - С.245-247. 0,1 п.л.8. Савченко А.В. Распознавание образов методом направленного перебора. // Искусственный интеллект: философия, методология, инновации. Материалы IIIвсероссийской конференции студентов, аспирантов и молодых ученых. - М.:Связь-принт. - 2009. - С.312-315. 0,3 п.л.9. Савченко А.В. Группирование фотографий лиц методом направленного перебора на основе принципа минимума информационного рассогласования // Тр.XIV Нижегородской сессии молодых ученых. Математические науки.-Н.Новгород.
- 2009. - С.24-25. 0,1 п.л.10. Savchenko A.V. Image retrieval using minimum information discrimination criterion// The IASTED International Conference on Control, Diagnostics, and Automation(ACIT-CDA). Novosibirsk. 2010. pp. 345-349. 0,6 п.л.11. Савченко А.В. Распознавание образов на основе принципа минимума информационного рассогласования // Тр. XII Всероссийской научно-техническойконференции «Нейроинформатика-2010». - Москва. - 2010. - Т.2. - С.201-202.0,1 п.л.12. Патент РФ №2009127049/22, 27.10.2009. Савченко А.В.
Устройство для распознавания изображений/Патент России №88171. 2009. Бюл. №30. 0,2 п.л.13. Савченко А.В. Автоматизированная система распознавания людей по фотографиям лиц – Программа для ЭВМ. / Свид-во о гос. регистрации №2009616508 по заявке 2009615314 от 28.09.2009. 0,1 п.л.20Лицензия ЛР № 020832 от 15 ноября 1993 г.Подписано в печать ___ октября 2010 г.Формат 60 х 84/16Бумага офсетная.Печать офсетная.Усл. печ.
л. 1Тираж 100 экз. Заказ № ______Типография издательстваГосударственного университета – Высшей школы экономики,125319, г. Москва, Кочновский проезд, д.321.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
