Magistro baigiamajame darbe išanalizuota ir įvertinta tarptautinė valiutų rinka, jos struktūra bei analizės ir prognozės būdai. Taip pat analizuojami neuronini tinklai bei įvairios jų struktūros: daugiasluoksnis perseptronas, radialinių bazinių funkcijų neuroniniai tinklai, GRNN bei rekurentiniai neuroniniai tinklai. Tyrimu siekiama nustatyti ar valiutų kursų prognozavimo tikslumas, taikant neuroninius tinklus, priklauso nuo investavimo rizikos lygio. Darbas susideda iš trijų skyrių. Pirmame skyriuje nagrinėjama tarptautinės valiutų rinkos teorija, didesnį dėmesį atkreipiant į pačia FOREX koncepciją, rinkos dalyvius bei jų elgesį ir finansinius instrumentus, naudojamus šioje rinkoje. Tiriami pagrindiniai valiutų kursų prognozės bei analizės būdai, skirstant juos fundamentalią ir techninę analizę. Analizė atliekama, tiriant Lietuvos ir užsienio mokslininkų darbus valiutų rinkos prognozavimo srityje. Antrame skyriuje analizuojami neuroniniai tinklai. Aprašoma neuroninių tinklų koncepcija bei taikymo sritys. Naudojant literatūros analizės metodą, tiriami Lietuvos ir užsienio autorių moksliniai darbai, kuriuose aprašomi neuroninių tinklų tyrimai valiutų rinkos prognozavimo srityje. Pateikiama aktualiausių straipsnių meta analizė. Trečiame skyriuje atliekamas tyrimas su pasirinktų tyrimų duomenimis. Aprašomi šių pasirinkimo motyvai. Skyriaus galia pateikti statistiniai analizės rezultatai: MAE (angl. Mean absoliute error), MAPE (angl. Mean absolute percentage error) krypties... [toliau žr. visą tekstą] / The master thesis analyses the application of the neural networks for foreign exchange market forecast. Multilayer perceptron, radial basis functionneural networks, GRNN and recurrent neural networks are analyzed in order to find the correlation level between the forecast accuracy and the level of the investment risk. The work consists of three main parts. The first part analyses the conception, the main participants, trading characteristics and trading instruments of the FOREX market as well as the trading strategies and the methods of forecasting currency market. The second part is appointed to analyze the neural networks. The analyzes the conception, the structure and the application of the neural networks is made. The Meta-analyses of the main scientific articles are provided in every sub-part. In the third part the forecasting data analysis is performed to evaluate the correlation rate between the forecast accuracy and the level of the investment risk. Mean absolute error, Mean absolute percentage error, sign function andStandard deviation are used as indicators.

Šiame magistro darbe apžvelgiami daugiamačių duomenų dimensijos mažinimo (vizualizavimo) metodai, tarp kurių nagrinėjami dirbtiniai neuroniniai tinklai. Pateikiamos pagrindinės dirbtinių neuroninių tinklų sąvokos (biologinis neuronas ir dirbtinio neurono modelis, mokymo strategijos, daugiasluoksnis neuronas ir pan.). Nagrinėjami autoasociatyviniai neuroniniai tinklai. Darbo tikslas – išnagrinėti autoasociatyviųjų neuroninių tinklų taikymo daugiamačių duomenų dimensijos mažinimui ir vizualizavimui galimybes bei ištirti gaunamų rezultatų priklausomybę nuo skirtingų parametrų. Siekiant šio tikslo atlikti eksperimentai naudojant kelias daugiamačių duomenų aibes. Tyrimų metu nustatyti parametrai, įtakojantys autoasociatyvinio neuroninio tinklo veikimą. Be to, gauti rezultatai lyginti pagal dvi skirtingas tinklo daromas paklaidas – MDS ir autoasociatyvinę. MDS paklaida parodo, kaip gerai išlaikomi atstumai tarp analizuojamų taškų (vektorių) pereinant iš daugiamatės erdvės į mažesnės dimensijos erdvę. Autoasociatyvinio tinklo išėjimuose gautos reikšmės turi sutapti su įėjimo reikšmėmis, taigi autoasociatyvinė paklaida parodo, kaip gerai tai gaunama (vertinamas skirtumas tarp įėjimų ir išėjimų). Tirta, kaip paklaidas įtakoja šie autoasociatyvinio neuroninio tinklo parametrai: aktyvacijos funkcija, minimizuojama funkcija, mokymo funkcija, epochų skaičius, paslėptų neuronų skaičius ir dimensijos mažinimo skaičiaus pasirinkimas. / This thesis gives an overview of dimensionality reduction of multivariate data (visualization) techniques, including the issue of artificial neural networks. Presents the main concepts of artificial neural networks (biological and artificial neuron to neuron model, teaching strategies, multi-neuron and so on.). Autoassociative neural networks are analyzed. The aim of this work - to consider the application of autoassociative neural networks for multidimensional data visualization and dimension reduction and to explore the possibilities of the results obtained from the dependence of different parameters. To achieve this, several multidimensional data sets were used. In analysis determinate parameters influencing autoassociative neural network effect. In addition, the results obtained by comparing two different network made errors - MDS and autoassociative. MDS error shows how well maintained the distance between the analyzed points (vectors), in transition from the multidimensional space into a lower dimension space. Autoassociative network output values obtained should coincide with the input values, so autoassociative error shows how well it is received (evaluated the difference between inputs and outputs). Researched how autoassociative neural network errors are influenced by this parameters: the activation function, minimizing function, training function, the number of epochs, hidden neurons number and choices of the number of dimension reduction.

Darbe aprašoma tyrimas, kurio metu buvo sukurta programa, naudojantis OpenCV ir DNT klaidos skleidimo atgal algoritmu, gebanti aptikti ir bandanti klasifikuoti veidus. Darbo eigoje: • Įsigilinta į OpenCV funkcijų biblioteką; • Išanalizuota DNT teorinė medžiaga; • Sukurta programinė įranga, kuri, naudojantis „webcam“, geba aptikti ir bando klasifikuoti veidus; • Atliktas eksperimentinis tyrimas; • Nustatyti programos trūkumai; • Pateikti kiti sprendimo būdai; Realizuota programinė įranga gali būti naudojama edukaciniais tikslais. / The work describes an experiment,in which progress was created a software,by using OpenCV and ANN error back propagation algorithm capable of detecting and attempting to classify the faces. Workflow: • Delved deeply into the OpenCV library functions; • Analyzed the theoretical material of ANN • Developed the software, which, using webcam, is capable of detecting and trying to classify the faces; • Made an experimental study; • Determined the weaknesses of the program; • The other methods; created software can be used for educational purposes.

Darbe tiriamas autoasociatyvinių neuroninių tinklų (AANN) bei prinicipinių komponenčių (PCA) taikymas vertybinių popieriui klasterizavimui. Supažindinama su šių metodų veikimo principais, išryškinami AANN privalumai prieš PCA, apžvelgiamas dabartinis šių metodų panaudojimas akcijų klasterizavimui, kainų prognozėms, bei ateities perspektyvos. Eksperimentinio tyrimo metu sukuriama programinė įranga AANN klasterizavimui. Darbe nagrinėtų metodų pagalba suformuojami akcijų portfeliai ir stebimas jų vertės kitimas metų bėgyje. / SUMMARY This is a survey on the application of auto associative neural networks and principal component analysis in clustering stocks. Main principles of these two methods are presented, reviewing the current usage of AANN and PCA and future outlook. An experiment is being carried out by building two stock portfolios using PCA. The portfolios are being monitored within one year. The main goal of the survey is to estimate the abilities of application of auto-associative neural networks stock forecasting in the US stock market. In order to reach the goal, the following tasks have been set: • To analyze the probability of general market prediction; analyze fundamental and technical factors, select the most suitable ones for further investigation. • To consider different implementations of artificial neural networks, select the most suitable ones for stock market forecasting • To compare various stock forecasting software solutions based on neural networks or different intelligent systems. • According to the chosen methods and software, perform the historical stock data analysis, build investment portfolios. • To analyze the performance of portfolios on the time basis, compare the efficiency level of different methods applied. The US stock market has been selected as the most popular market with the highest efficiency of economical laws. A set of 8 fundamental keys has been selected for the further investigation. The PCA and the AANN have been selected to compare the efficiency... [to full text]

In this Master’s degree work artificial neural networks and back propagation learning algorithm for human faces and pattern recognition are analyzed. In the second part of work artificial neural networks and their architecture and structures models are analyzed. In the third part of article the backpropagation procedure and procedures theoretical learning principle are analyzed. In the fourth part different kinds of ANN methods and patterns extracting methods in recognition, learning and classification use were researched. In this part RGB method for patterns features extraction was described. In the fifth part the requirements specification, prototype model, use case diagram, system architecture, programs modules and objects project for software realization were created. In the same part backpropagation procedures running principle was realized. After the project part was completed, a face and patterns recognition system was created. In the sixth part the created software system was tested. According to the testing results software’s recognition rate is 82,5 % using supervised learning and 82,8 % using unsupervised learning. We found using the FAR and FRR rates the ERR rate, which was 40 %. While doing the testing with changed human characteristics, the system showed 84,6 % recognition rate. This rate shows very good work of the system by a little bit changed human characteristics. Systems realization was evaluated by users as very good one. In the seventh part software’s... [to full text]

Disertacijos tyrimų sritis yra daugiamačių duomenų analizė, bei tų duomenų suvokimo gerinimo būdai. Duomenų suvokimas yra sudėtingas uždavinys, ypač kai duomenys nurodo sudėtingą objektą, kuris aprašytas daugeliu parametrų. Disertacijoje nagrinėjami dirbtinių neuroninių tinklų algoritmai daugiamačiams duomenims vizualizuoti. Darbo tyrimų objektas yra dirbtiniai neuroniniai tinklai, skirti daugiamačių duomenų vizualizavimui. Su šiuo objektu yra betarpiškai susiję dalykai: daugiamačių duomenų vizualizavimas; dimensijos mažinimo algoritmai; projekcijos paklaidos; naujų taškų atvaizdavimas; vizualizavimui skirto neuroninio tinklo permokymo strategijos ir parametrų optimizavimas; lygiagretieji skaičiavimai. Pagrindinis disertacijos tikslas yra sukurti ir tobulinti metodus, kuriuos taikant būtų efektyviai minimizuojamos daugiamačių duomenų projekcijos paklaidos naudojantis dirbtiniais neuroniniais tinklais bei projekcijos algoritmais. Darbe atliktų tyrimų rezultatai atskleidė naujas medicininių (fiziologinių) duomenų analizės galimybes. / The research area of this work is the analysis of multidimensional data and the ways of improving apprehension of the data. Data apprehension is rather a complicated problem especially if the data refer to a complex object or phenomenon described by many parameters. The research object of the dissertation is artificial neural networks for multidimensional data projection. General topics that are related with this object: multidimensional data visualization; dimensionality reduction algorithms; errors of projecting data; the projection of the new data; strategies for retraining the neural network that visualizes multidimensional data; optimization of control parameters of the neural network for multidimensional data projection; parallel computing. The key aim of the work is to develop and improve methods how to efficiently minimize visualization errors of multidimensional data by using artificial neural networks. The results of the research are applied in solving some problems in practice. Human physiological data that describe the human functional state have been investigated.

The research area of this work is the analysis of multidimensional data and the ways of improving apprehension of the data. Data apprehension is rather a complicated problem especially if the data refer to a complex object or phenomenon described by many parameters. The research object of the dissertation is artificial neural networks for multidimensional data projection. General topics that are related with this object: multidimensional data visualization; dimensionality reduction algorithms; errors of projecting data; the projection of the new data; strategies for retraining the neural network that visualizes multidimensional data; optimization of control parameters of the neural network for multidimensional data projection; parallel computing. The key aim of the work is to develop and improve methods how to efficiently minimize visualization errors of multidimensional data by using artificial neural networks. The results of the research are applied in solving some problems in practice. Human physiological data that describe the human functional state have been investigated. / Disertacijos tyrimų sritis yra daugiamačių duomenų analizė, bei tų duomenų suvokimo gerinimo būdai. Duomenų suvokimas yra sudėtingas uždavinys, ypač kai duomenys nurodo sudėtingą objektą, kuris aprašytas daugeliu parametrų. Disertacijoje nagrinėjami dirbtinių neuroninių tinklų algoritmai daugiamačiams duomenims vizualizuoti. Darbo tyrimų objektas yra dirbtiniai neuroniniai tinklai, skirti daugiamačių duomenų vizualizavimui. Su šiuo objektu yra betarpiškai susiję dalykai: daugiamačių duomenų vizualizavimas; dimensijos mažinimo algoritmai; projekcijos paklaidos; naujų taškų atvaizdavimas; vizualizavimui skirto neuroninio tinklo permokymo strategijos ir parametrų optimizavimas; lygiagretieji skaičiavimai. Pagrindinis disertacijos tikslas yra sukurti ir tobulinti metodus, kuriuos taikant būtų efektyviai minimizuojamos daugiamačių duomenų projekcijos paklaidos naudojantis dirbtiniais neuroniniais tinklais bei projekcijos algoritmais. Darbe atliktų tyrimų rezultatai atskleidė naujas medicininių (fiziologinių) duomenų analizės galimybes.

Neural networks are one of the most efficient classifier methods. One of such classifying neural networks we are trying to teach in this work by using genetic algorithms. In this work we test two types of genetic algorithms. One may be called parameterized genetic algorithm. It is built on the basic ideas of genetic algorithms. The other one is called parameter less genetic algorithm. It was presented by F. G. Lobo and D. E. Goldberg. Both genetic algorithms are tested and compared to the other well known optimization methods such as Bayes and Monte Carlo search. Experiments show the relevance of use genetic algorithms in teaching classifying neural network. Also stated that parameter less genetic algorithm works more efficient than parametric genetic algorithm in general cases. Created programs will be used in future studies.

Modern methods of speech synthesis are not suitable for restoration of song signals due to lack of vitality and intonation in the resulted sounds. The aim of presented work is to synthesize melismas met in Lithuanian folk songs, by applying Artificial Neural Networks. An analytical survey of rather a widespread literature is presented. First classification and comprehensive discussion of melismas are given. The theory of dynamic systems which will make the basis for studying melismas is presented and finally the relationship for modeling a melisma with nonlinear and dynamic systems is outlined. Investigation of the most widely used Linear Prediction Coding method and possibilities of its improvement. The modification of original Linear Prediction method based on dynamic LPC frame positioning is proposed. On its basis, the new melisma synthesis technique is presented.Developed flexible generalized melisma model, based on two Artificial Neural Networks – a Multilayer Perceptron and Adaline – as well as on two network training algorithms – Levenberg- Marquardt and the Least Squares error minimization – is presented. Moreover, original mathematical models of Fortis, Gruppett, Mordent and Trill are created, fit for synthesizing melismas, and their minimal sizes are proposed. The last chapter concerns experimental investigation, using over 500 melisma records, and corroborates application of the new mathematical models to melisma synthesis of one [ ...].

Šiuo darbu pristatoma sukurta sistema, kuria galima modeliuoti ir valdyti rizikas, kylančias iš IT, susijusias su IS nepasiekiamumu ar lėtu veikimu. Sistema realizuota pasitelkus neuroninius tinklus ir yra apmokoma sukaupta statistine informacija iš informacinių sistemų. Jai nurodoma, kurios statistinės informacijos laiko eilutes norima modeliuoti – t.y. kurios iš jų yra rizikos išraiška (serverių apkrovimas, IS atsakymo laikas ir pan.). Sistema pati nustato koreliuojančias statistines laiko eilutes, sugrupuoja susijusias ir kiekvienai grupei sukuria po modelį – apibendrina iki tol nežinomą priklausomybę tarp laiko eilučių pasitelkusi neuroninį tinklą. Kiekvienam iš tų modelių pateikus įtakojančių parametrų reikšmes, sistema sumodeliuoja rizikos parametro reikšmę. Eksperimentai parodė, jog sistema gali būti sėkmingai naudojama mišriame IT ūkyje ir geba modeliuoti įvairius IT bei IS komponentų parametrus, kurie sąlygoja rizikas. / By this work we present an IT risk management system, which is capable to model and manage risks that arise from IT wich are related with IS downtimes and slow response times. The system is implemented by using a proposed neural network architecture as a heart of the modeling engine. It is trained with accumulated datasets from existing information systems. The user shows for the system which statistical data time series one needs to model – i.e. the one which represents the risk (like server load, IS response time, etc.). The system automatically determines correlated statistical time series, groups them and creates a separate model for each group – this model generalizes until then unknown relationship between time series by invoking neural network. The model then accepts values of the input parameters and the system models the value of the risk parameter. Experiments have shown that the proposed system can be successfully used in a mixed IT environment and can be rewarding for one who tracks IT risks coming from various IT and IS components.