Šio darbo tikslas yra išnagrinėti neuroniniu tinklu paremtą prakybos strategiją, Markovo strategiją ir branduolių metodą, taip pat sukurti sudėtingesnį neuroninį tinklą ir visa tai pritaikyti valiutų rinkos duomenims. Analizei naudoti euro ir JAV dolerio valiutų poros kaina, kuri apima 2011 lapkričio 1 d. – 2012 gegužės 15 d. periodą. Nagrinėjama šios valiutų poros uždarymo kaina valandiniu periodu. Atlikus minėtą analizę, gauta, kad geriausius prognozių tikslumo rezultatus rodo neuroninio tinklo strategija, po to seka branduolio metodas ir galiausiai lieka Markovo strategija. O sukurto sudėtingesnio neuroninio tinklo rezultatai nėra labai geri. Analizuojant jungtinius metodus, gauta, kad tikslumas daugiausiai išauga jungiant visus tris metodus. Bet toks junginys generuoja mažiausią kapitalą. Šitai sąlygoja, kad lošiama tik kas trečiame raunde, o visais kitais atvejais yra atsisakoma nuo sprendimo priėmimo. Išnagrinėti metodai yra verti dėmesio, o kurį rinktis, priklauso nuo paties žmogaus, nes kur didesnis kapitalas, ten didesnė ir rizika. / The main aim of this work is to analyze a strategy based on the neural networks, Markovian strategies and kernel method, also to create more complex neural network and apply it all for the data of foreign exchange market. Euro and U.S dollar currency pair price was analyzed during the 1 November 2011 - 15 May 2012 period. The closing price of the hourly period was analyzed. The analysis revealed that the best forecasting accuracy shows neural network strategy, followed by the kernel method and end up with Markovian strategy. The results of created more complex neural network are not very good. The analysis of the joint methods revealed that the best accuracy obtained by combining all three methods. But it generates smaller capital than others. It happens, because bets are made only in the third of rounds, and in all other cases there is refusal to make decision. The methods are worth of attention, and which one to choice depends on the person, because bigger capital leads to higher risk.

Bet kokiai įmonei klientų lojalumas yra gyvybiškai svarbus. Per pastaruosius du dešimtmečius, dėmesys ryšio su klientais valdymo sistemoms (angl. CRM- customer relationship management) labai išaugo. Tai galima interpretuoti kaip įmonių siekimą individualiai pažinti savo klientus. Pasikeitė ir marketingo orientyras. Vietoj orientuoto į transakcijas, jis patapo orientuotu į klientą, kadangi praktika parodė, jog tai yra optimalus ryšys su klientu. (Daug pigiau pardavinėti prekes esamiems klientams, nei naujiems, mažesni bendradarbiavimo kaštai) Būtent todėl klientų lojalumo sąvoka interpretuojama kaip viena svarbiausių koncepcijų šiuolaikiniame marketinge. Ryšio su klientais valdymo teorijose aprašoma daug kriterijų bei skaičiavimo metodų kliento lojalumui įvertinti. Egzistuojanti vadybinė taisyklė 55-15 teigia jog bandant klasifikuoti geriausius klientus, maždaug 55 % yra klasifikuojami klaidingai ir dėl to įmonė praranda investicijas (klientams neskiriamas attinkamas dėmesys: nuolaidos, ir t.t.) Pagrindinė tokio netikslaus klasifikavimo priežastis- besikeičianti verslo aplinka. Lojalūs klientai neišlieka tokiais visada. Remiantis CLV pokyčio analize ir Wouter Buckinx pasiūlytais kliento „norą pirkti“ apibūdinančiais rodikliais sudaryti 2 modeliai. Teoriškai šie modeliai yra veiksmingesni nei E.Ksevelonakiso pasiūlytas „CLV ir įmonės tikslinės strategijos sąveikos modelis“, kadangi laiku gavus informaciją apie potencialią kliento klasę (lojalus/nelojalus), įmonė gali nedelsiant... [toliau žr. visą tekstą] / The client loyalty is one of the most vital things to any company. During last two decades the attention to customer relationship management systems has increased significantly. There are many criterias and calculation methods described in customer relationship theories. The existing management rule 80-15 states that when trying to clasify best customers, almost 55% are misclassified and therefore organization losses its investments (there’s not enough attention being paid to the best customers). The main reason of such misclassification is continuous change in business environment and subjective customer loyalty definition. Loyal customers do not stay loyal all the time. Using scientific literature analysis there were selected most widely used methods, which help the company to identify it’s the most important customers. Additionally “wish to buy” indicators were selected, which describe the customer buying potential. Using selected methods and indexes, there is a preposition of a new classifying model, which helps to predict customer class using collected data during contribution period. Model was implemented by using neural network and tested using experiment. It predicted customer class using sales data and the results were as follow: it classified 141 customer from 154 customers in total, made a mistake in 13 cases while classifying loyal customers. When classifying disloyal customers, it made a mistake in 45 cases and classified 102 correctly of 147 in total... [to full text]

Šiame darbe pateikti ir aprašyti biologinio ir dirbtinio neurono modeliai. Didžiausias dėmesys skiriamas vieno tipo neuroniniams tinklams – saviorganizuojantiems žemėlapiams (SOM). Darbe pateiktas jų apmokymas, taip pat pagrindinių sąvokų (epocha, kaimynystės eilė, unifikuotų atstumų matrica ir kt.), susijusių su SOM neuroniniais tinklais (žemėlapiais), apibrėžimai. Buvo nagrinėtos keturios saviorganizuojančių neuroninių tinklų sistemos: NeNet, SOM-Toolbox, DataBionic ESOM, Viscovery SOMine ir Matlab įrankiai „nntool“, „nctool“, kurie naudojami SOM tinklams sukurti ir apmokyti. Pateikiamos sistemų naudojimosi instrukcijos, norint gauti paprasčiausią SOM žemėlapį. Matlab aplinkoje sukurta ir darbe aprašyta naują vizualizavimo būdą turinti sistema „Somas“, pateiktas jos išskirtinumas ir naudojimosi instrukcija. Sistemoje „Somas“ realizuota kita mokymo funkcija nei kitose minėtose sistemose. Pagrindinis analizuotų sistemų tikslas yra suskirstyti duomenis į klasterius pagal jų panašumą ir pateikti juos SOM žemėlapyje. Sistemos viena nuo kitos skiriasi duomenų pateikimu, mokymo taisyklėmis, vizualizavimo galimybėmis, todėl čia aptariami sistemų panašumai ir skirtumai. Nagrinėti susidarę SOM žemėlapiai ir gautos kvantavimo bei topografinės paklaidos, analizuojant tris duomenų aibes: irisų, stiklo ir vyno. Kvantavimo ir topografinės paklaidos yra kiekybiniai vaizdo kokybės įverčiai. Padarytos išvados apie susidariusius klasterius tiriamuose duomenyse. Naudojant naują sistemą „Somas“... [toliau žr. visą tekstą] / In this master thesis, biologic and artificial neuron models have been described. The focus is selforganizing maps (SOM). The self-organizing maps are one of types of artificial neural networks. SOM training as well as the main concepts which need to explain SOM networks (epochs, neighbourhood size, u-matrix and etc.) have been described. Four systems of self-organizing maps: NeNet, SOMToolbox, DataBionic ESOM, Viscovery SOMine, and Matlab tools “nntool” and “nctool” have been analyzed. In the thesis, a system use guide has been presented to make a simple SOM map. A new system “Somas” that has a new visualisation way has been developed in Matlab. The system has been described, its oneness has been emphasized, and a use guide is presented. The main target of the SOM systems is data clustering and their graphical presentation on the self-organizing map. The SOM systems are different one from other in their interfaces, the data pre-processing, learning rules, visualization manners, etc. Similarities and differences of the systems have been highlighted here. The experiments have been carried out with three data sets: iris, glass and wine. The SOM maps, obtained by each system, have been described and some conclusions on the clusters have been drawn. The quantization and topographic errors have been analyzed to estimate the quality of the maps obtained. An investigation has been carried out in the new system “Somas” and system “NeNet” in order to look how quantization and... [to full text]

Saviorganizuojantys neuroniniai tinklai (SOM) yra susilaukę nemažai populiarumo mokslininkų tarpe klasterizuojant ar vizualizuojant daugiamačius duomenis. Šiame magistro diplominiame darbe smulkiai išnagrinėtas SOM algoritmas bei veikimo principai, pateiktos galimos parametrų reikšmės ir kaimynystės funkcijos. Taip pat nurodyti tinklo kokybės įvertinimo kriterijai ir duomenų vizualizavimo metodai taikant saviorganizuojantį neuroninį tinklą. SOM pagrindinis tikslas yra duomenų klasterizavimas, o ne vizualizavimas, todėl duomenų vaizdavimas SOM'u turi savų trūkumų – žemėlapyje negalima matyti atstumų tarp klasės neuronų ir kaip toli nutolusios viena nuo kitos klasės. Pateikta alternatyva – SOM modifikacija ViSOM. Darbe išnagrinėti ViSOM algoritmo esminiai skirtumai, aprašyti parametrų parinkimo ypatumai. Nagrinėti SOM ir ViSOM vizualizavimo skirtumus sukurta MATLAB sistemoje programa, realizuojanti abu algoritmus bei pateiktas programos galimybių ir scenarijų aprašas. Pasirinkus tris kaimynines funkcijas su šia programa atlikti tyrimai, rodantys, kad kvantavimo ir topografinės paklaidos netinkamos vertinant ViSOM vaizdo kokybę. Pasiūlyti trys nauji vertinimo kriterijai, bei su jais atlikti tyrimai, parodantys jų veiksmingumą. Taip pat darbe vizualiai parodytas ir aprašytas ViSOM žemėlapio kitimas priklausomai nuo rezoliucijos. / A self-organizing map is a type of artificial neural networks that has received substantial popularity among scientists in regards to clustering and visualization of multidimensional data. In this master theses, the learning algorithm and the main principals are examined in detail, the neighbourhood functions and values of various parameters are given. Some criteria of the network evaluation quality and the data visualization methods using the self-organizing maps are given as well. The main goal of the SOM is clustering of data, but not the visualization, so the visual data representation by the SOM has its drawbacks – it is impossible to see the distances between neurons, corresponding the vectors belong to a class, and how far from each other the classes are in a map. The alternative – SOM modification, called ViSOM, has been developed. The main differences of SOM and ViSOM are investigated, the peculiarity of parameter selection is also examined in this work. In order to study the differences of SOM and ViSOM visualization, a system in MATLAB has been developed, both algorithms have been implemented, and the feature and scenario list of the program is presented. Some experiments have been carried out by selecting three neighborhood functions. The experiments have showed that the quantization and topographic errors are not suitable for studying the visualization of ViSOM. Three new evaluation criteria are proposed. The investigation shows their effectiveness. In the work... [to full text]

Šiame magistriniame darbe išanalizuota dirbtinių neuroninių tinklų teorija. Detaliai išnagrinėtas atgalinio klaidos sklidimo algoritmas. Pagal jį parašytos programos: C++ kalba ir Matlab sistemoje su siūlomais neuroninių tinklų konstravimo įrankiais. Lyginant programas atlikti tyrimai su irisų ir vyno atpažinimo duomenimis. Tyrimo metu ištirti ir paanalizuoti daugiasluoksniai neuroniniai tinklai su paslėptais vienu ir dviem sluoksniais. / This paper offers a profound research the theory of artificial neural network. It gives a deep analysis of error back propagation and provides error back propagation program written in C++ language and Matlab system with relevant neural network construction tools. To compare both programs I carried out research of wines recognition data and irises data. Analyzed feedforward neural network with hidden one and two layers.

Šiame darbe tiriama sritis yra kompiuteriniuose žaidimuose naudojamas dirbtinis intelektas. Konkrečiai gilinamasi į metodus, kurie valdo daugybę veikėjų žaidime, siekiančių tam tikro tikslo. Dėl konkretiems žaidimams unikalių mechanikų, šie metodai paprastai būna labai glaudžiai susiję su žaidimo aplinka ir taisyklėmis. Tyrimo tikslas yra sukurti ir ištirti metodą, skirtą daugybės veikėjų pajėgų valdymui ir jų veiksmų modeliavimui virtualioje aplinkoje. Analizuojami metodai skirti pavienių veikėjų veiksmų įvertinimui ir modeliavimui, metodai skirti optimalių sprendimų žinių bazei sudaryti ir metodai toms žinioms pritaikyti paskirstant veikėjus aplinkoje. Pagal analizės rezultatus sukuriamas projektas daugelio veikėjų valdymui realiu laiku virtualioje aplinkoje. Lokalių veikėjų veiksmų modeliavimui naudojamas procedūrinis taktinių veiksmų parinkimo metodas. Veikėjų judėjimui aplinkoje modeliuoti naudojamas neuroninis tinklas. Jis apmokomas pagal genetiniu algoritmu sudarytus optimalius sprendimus. Suprojektuota sistema realizuojama ir testuojama. Atliekamas eksperimentas su sistemos veikimo metu gautais rezultatais. Eksperimente nustatoma, kad šis sprendimo būdas gali tikslingai reaguoti į situacijas, susidarančias realaus laiko virtualioje aplinkoje, ir modeliuoti veikėjų veiksmus joje. / The research area of this paper is artificial intelligence used in computer games. Specifically it is focused on methods for controlling a group of agents with a specific goal. Because of the uniqueness of individual game mechanics, those kinds of methods are usually closely related to that games environment and rules. The goal of this study is to design and test a method that could control a group of multiple agents in a virtual environment. Methods for evaluating and selecting individual agent actions in a local environment, for gathering a database of optimal solutions and for applying that knowledge in distributing agents across the environment are analyzed. A design for controlling the actions of multiple agents in a real time virtual environment is designed, based on the results. Dynamic procedural combat tactics is used to model individual agent actions in a local environment. A neural network is used to model the movement of multiple agents in an environment. It is trained using optimal solutions, generated by a genetic algorithm. Designed system is implemented and tested. Using data that the system generates, an experiment is conducted. It shows that this solution is capable of correctly reacting to situations, occurring in a real time virtual environment, and of modeling multiple agent actions in it.

Šiame darbe yra nagrinėjama kliūčių atpažinimo vaizde problema. Ši problema susideda iš skirtumų vaizdo formavimo, vaizdo paruošimo dirbtiniam neuroniniam tinklui ir objektų klasifikavimo, naudojant dirbtinį neuroninį tinklą, uždavinių. Darbe siekiama išnagrinėti esamus vaizdo formavimo, apdorojimo ir dirbtinio neuroninio tinklo klasifikavimo būdus ir pateikti uždavinių sprendimo variantą kaip tai galima padaryti geriau. Remiantis autoriaus siūlomais sprendimais yra sukurta programinė įrangą, kuri sudaryta iš trijų modulių: skirtumų žemėlapio vaizdo formavimo, sukurtojo skirtumų žemėlapio vaizdo pirminio apdorojimo ir DNT kliūčių identifikavimo apdorotame skirtumų žemėlapio vaizde. / The problem of obstacle recognition on way is analyzed by author in this work. This problem consists of view formation, view preparation for Artificial Neural Network and object classification using neural networks tasks. It is striving to analyze the formation of view, processing of view and ways of ANN classification, and suggest the better way of task solutions in this thesis. It is compiled software using authors suggested solutions which consists of three modules: disparity map formation, filtering preparation of created one and obstacle recognition using ANN.

Šiame darbe aprašytas automobilio numerio identifikavimo uždavinys, šio uždavinio skaidymas į smulkesnes užduotis, tokias kaip numerio lokalizavimas nuotraukoje, numerio suskaidymas į atskirus simbolius, bei rastų simbolių identifikavimas. Kiekvienai šiai užduočiai realizuota po du algoritmus. Numerio lokalizavimo algoritmai remiasi kontūrų išskyrimu ir spalvų intensyvumu, bei morfologinėmis operacijomis nuotraukoje. Surasto numerio skaidymo į simbolius algoritmai remiasi statistiniu pasiskirstymu bei objektų išskyrimu. Simboliams atpažinti panaudota koreliacijos skaičiavimas tarp šablonų ir atpažįstamojo simbolio, bei dirbtinis neuroninis tinklas. Taip pat apžvelgta šiuo metu pasaulyje naudojamas technologijas ir algoritmai, sprendžiantys šį uždavinį bei palyginti rezultatai su savais. / This paper describes the task of vehicle number identification. It is further divided into smaller tasks, such as the localization of the number in the picture, the splitting of the number into individual symbols and the identification of the located symbols. Two algorithms were allocated for each task. The number localization algorithm is based on the exclusion of the contours, colour intensity and morphological operations in the picture. The algorithms used to divide the symbols of the identified number are based on the statistical distribution and object separation. Correlation calculation is used between the templates, identifiable symbol and artificial neural network. Moreover, the paper discusses the technologies and algorithms currently used across the world when dealing with such task, and compares it with the results of this paper.

At the moment social exclusion is a topical problem in a whole Europe. That’s why innovative decisions are prompted for social exclusive group of people in order to facilitate their integration process into the labour market. The stepping-stone of this work is e-advisor for choosing possibilities within social isolation environment. This e-advisor is created in accordance with artificial neural network and considering to individual person’s features give suggestions for the most suitable professions. Also in this work is presented disease diagnostic model, which is defined by artificial neural network.

Magistrinio darbo tikslas – įgyvendinti, graužikų biologinio, aplinkos žymėjimo kvapais ir navigacijos, proceso modelį robotikos srityje. Graužikai aplinkoje orientuojasi analizuodami informaciją gautą iš skirtingų penkių jutimo organų. Regėjimas padeda suvokti aplinkos erdvę, reljefą, atstumus iki objektų. Klausa, suteikia informaciją apie aplink esančius garso šaltinius, besiartinančius gyvūnus. Lytėjimas, padeda nustatyti objekto paviršiaus savybes: karštas ar šaltas, drėgnas ar sausas, minkštas ar kietas. Uoslė ir skonio receptoriai naudojami nustatyti maisto šaltiniui ar teritorijos riboms. Realiame biologiniame pasaulyje gyvūnai gali lengvai analizuoti informaciją gautą iš skirtingų jutimo organų ir ją derinti erdvinės navigacijos procese. Dirbtinėje sistemoje šie duomenys yra gaunami iš sensorių pasižyminčių skirtingomis savybėmis ir techniniais parametrais. Projekto tikslas - išspręsti robotikos uždavinį: tikslo paieškos navigacija naudojant aplinkos žymėjimą. Sukurta sistema imituoja graužiko erdvinės navigacijos procesą naudojant du skirtingus jutimo sensorius: dirbtinę regą ir dirbtinę uoslę. Projekte pristatoma sukurta sistema ir realizuoti erdvinės navigacijos algoritmai naudojantys vaizdinę ir kvapo informaciją. Aprašoma eksperimento vykdymo metodika ir priemonės. / The aim of the master thesis is to implement, rodent’s biological, goal directed navigation based on self-marking process in robotics. Rodents in environment navigate using analyzed information that gets from five different senses. Seeing helps to realize environment’s space, relief, distance from the objects. Hearing sense gives information about sound position of sound sources or other animals. Touch sense helps to determine properties of the surface: is it cold or hot, dry or wet, soft or hard. Olfactory and flavor receptors are used to determine food source or territory range. In real biological world animals could easily analyze and combine information from different sense receptors in spatial navigation process. In artificial system this data we are getting from different type and characteristics sensors. The main aim of this project is to solve robotic task: goal directed navigation based on self -marking method. Created system simulates rodent’s spatial navigation process where in two sensors are used: artificial eyes and artificial nose. This project presents created system and implemented spatial navigation algorithms which are using video and odor tracking based information. The methodology and tools used in experiment are described in this paper.