Made available in DSpace on 2014-12-17T14:08:53Z (GMT). No. of bitstreams: 1 FranciscaFNS_DISSERT.pdf: 1424383 bytes, checksum: 6d399b5a60f42e3c2b87657eb17e44e0 (MD5) Previous issue date: 2013-02-05 / Coordena??o de Aperfei?oamento de Pessoal de N?vel Superior / Atualmente, ? de grande interesse o estudo de m?todos de previs?o de S?ries Temporais, ou seja, conseguir identificar e predizer algumas caracter?sticas do processo num ponto futuro. Na engenharia de petr?leo uma das atividades essenciais ? a estimativa de produ??o de ?leo existente nas reservas petrol?feras de reservat?rios maduros. O c?lculo dessas reservas ? crucial para a determina??o da viabilidade econ?mica de sua explota??o. Para tanto, a ind?stria do petr?leo faz uso de t?cnicas convencionais de modelagem de reservat?rios como simula??o num?rica matem?tica para previs?o da produ??o de petr?leo. Diante deste fato, o objetivo fundamental deste trabalho ? propor uma metodologia de An?lise de S?ries Temporais baseada nos tradicionais modelos estat?sticos de Box & Jenkins, que em conjunto com a t?cnica inteligente de Redes Neurais Artificiais (RNA s), possibilite a constru??o de um modelo h?brido de predi??o de dados de produ??o de petr?leo, tomando por base a capacidade que a rede tem em aprender com a experi?ncia e partir para generaliza??o baseada no seu conhecimento pr?vio. Para tanto, a Rede Neural ser? treinada com a finalidade de estimar e corrigir os erros associados ao modelo estat?stico de S?rie Temporal, de forma a aproximar a s?rie estimada ? s?rie de dados original. Os dados da S?rie Temporal em estudo referem-se ? curva de vaz?o de petr?leo de um reservat?rio localizado em um campo da regi?o nordeste do Brasil. A s?rie em estudo foi obtida no per?odo 31de julho do ano 1998 ate 31 de dezembro de 2007, com os dados (vaz?o) sendo obtidos com intervalos mensais, totalizando 127 meses de informa??es. O algoritmo de predi??o proposto pela Rede Neural receber? como entrada os erros gerados pelo modelo estat?stico de s?rie e fornecer? como sa?da uma estimativa do erro no tempo n+h onde h representa o horizonte de predi??o. Os erros estimados pela Rede Neural ser?o adicionados ao Modelo de S?rie Temporal com a finalidade de corrigi-lo. Por fim, ser? feito um estudo comparativo da performance preditiva do modelo de Box & Jenkins cl?ssico e o modelo de Box & Jenkins corrigido pela Rede Neural. A arquitetura recorrente em estudo neste trabalho dever? ser capaz de prover estimativas confi?veis, tanto para um horizonte de predi??o de passos simples quanto para um horizonte de m?ltiplos passos. O software utilizado para realiza??o do ajuste do modelo estat?stico de S?rie Temporal foi o R Project for Statistical Computing - vers?o 2.14.1. Para fazer as implementa??es necess?rias da Rede Neural, a ferramenta computacional utilizada foi o software Matlab Vers?o 7.0.2 (R2011a)

本研究提出了一個類神經網路機制，可以及時有效的預測利差交易(carry trade)的收益。為了實現及時性，我們將通過Tensorflow和圖形處理單元(GPU)來實作這個機制。此外，類神經網路機制需要處理具有概念飄移和異常值的時間序列數據。而我們將透過設計的實驗來驗證這個機制的及時性與有效性。 在實驗過程中，我們發現在演算法設置不同的參數將影響類神經網路的性能。本研究將討論不同參數下所產生的不同結果。實驗結果表明，我們所提出的類神經網路機制可以預測出利差交易的收益的動向。希望這個研究將對機器學習和金融領域皆有所貢獻。 / This research derives an artificial neural networks (ANN) mechanism for timely and effectively predicting the return of carry trade. To achieve the timeliness, the ANN mechanism is implemented via the infrastructure of TensorFlow and graphic processing unit (GPU). Furthermore, the ANN mechanism needs to cope with the time series data that may have concept-drifting phenomenon and outliers. An experiment is also designed to verify the timeliness and effectiveness of the proposed mechanism. During the experiment, we find that different parameters we set in the algorithm will affect the performance of the neural network. And this research will discuss the different results in different parameters. Our experiment result represents that the proposed ANN mechanism can predict movement of the returns of carry trade well. Hope this research would contribute for both machine learning and finance field.

Tato doktorská práce je zaměřena na vývoj algoritmu ke zpracování dat naměřených zařízením pro spektrometrii laserem indukovaného plazmatu (angl. LIBS). Zařízení LIBS s tímto algoritmem by mělo být následně schopno provést třídění vzorků a kvantitativní analýzu analytu in-situ a v reálném čase. Celá experimentální část této práce byla provedena ve Spolkovém institutu pro materiálový výzku a testování (něm. BAM) v Berlíně, SRN, kde byl sestaven elementární LIBS systém. Souběžně s experimentílní prací byl vytvořen přehled literárních zdrojů s cílem podat ucelený pohled na problematiku chemometrických metod používaných k analýze LIBS měření. Použití chemometrických metod pro analýzu dat získaných pomocí LIBS měření je obecně doporučováno především tehdy, jsou-li analyzovány vzorky s komplexní matricí. Vývoj algoritmu byl zaměřen na kvantitativní analýzu a třídění vyvřelých hornin na základě měření pomocí LIBS aparatury. Sada vzorků naměřených použitím metody LIBS sestávala z certifikovaných referenčních materiálů a vzorků hornin shromážděných přímo na nalezištích mědi v Íránu. Vzorky z Íránu byly následně na místě roztříděny zkušeným geologem a množství mědi v daných vzorcích bylo změřeno na Univerzitě v Clausthalu, SRN. Výsledné kalibrační křivky byly silně nelineární, přestože byly sestaveny i z měření referenčních vzorků. Kalibrační křivku bylo možné rozložit na několik dílčích tak, že závislost intenzity měděné čáry na množství mědi se nacházela v jiném trendu pro jednotlivé druhy hornin. Rozdělení kalibrační křivky je zpravidla přisuzováno tzv. matričnímu jevu, který silně ovlivňuje měření metodou LIBS. Jinými slovy, pokud určujeme množství analytu ve vzorcích s různou matricí, je výsledná kalibrační křivka sestavená pouze z jedné proměnné (intenzity zvolené spektrální čáry analytu) nepřesná. Navíc, normalizace takto vytvořených kalibračních křivek k intenzitě spektrální čáry matrčního prvku nevedla k výraznému zlepšení linearity. Je obecně nemožné vybrat spektrální čáru jednoho matričního prvku pokud jsou analyzovány prvky s komplexním složením matric. Chemometrické metody, jmenovitě regrese hlavních komponent (angl. PCR) a regrese metodou nejmenších čtverců (angl. PLSR), byly použity v multivariační kvantitatvní analýze, tj. za použití více proměnných/spektrálních čar analytu a matričních prvků. Je potřeba brát v potaz, že PCR a PLSR mohou vyvážit matriční jev pouze do určité míry. Dále byly vzorky úspěšně roztříděny pomocí analýzy hlavních komponent (angl. PCA) a Kohonenových map na základě složení matričních prvků (v anglické literatuře se objevuje termín ‚spectral fingerprint‘) Na základě teorie a experimentálních měření byl navržen algoritmus pro spolehlivé třídění a kvantifikaci neznámých vzorků. Tato studie by měla přispět ke zpracování dat naměřených in-situ přístrojem pro dálkovou LIBS analýzu. Tento přístroj je v současnosti vyvíjen v Brně na Vysokém učení technickém. Toto zařízení bude nenahraditelné při kvantifikaci a klasifikaci vzorků pouze tehdy, pokud bude použito zároveň s chemometrickými metodami a knihovnami dat. Pro tyto účely byla již naměřena a testována část knihoven dat v zaměření na aplikaci metody LIBS do těžebního průmyslu.