Τα πολυεπίπεδα νευρωνικά δίκτυα έχουν εφαρμοστεί στο παρελθόν με μεγάλη επιτυχία στην πρόβλεψη χρονοσειρών από το χώρο της οικονομίας. Στην πράξη όμως παρουσιάζουν διάφορα προβλήματα όπως:
Εύρεση του βέλτιστου υποσυνόλου χαρακτηριστικών και χρησιμοποίησή τους σαν εισόδου.
Εύρεση της βέλτιστης δομής (επίπεδα κρυφών νευρώνων, αριθμός κρυφών νευρώνων).
Εύρεση των βέλτιστων τιμών των παραμέτρων του αλγορίθμου εκπαίδευσης των τεχνητών νευρωνικών δικτύων (παράμετρος μάθησης, παράμετρος ορμής κλπ.)
Σκοπός της διπλωματικής αυτής εργασίας είναι η δημιουργίας μιας υβριδικής μεθόδου γενετικών αλγορίθμων και νευρωνικών δικτύων. Ο γενετικός αλγόριθμος θα είναι υπεύθυνος στην εύρεση του βέλτιστου συνδυασμού των παραπάνω προς αναζήτηση παραμέτρων του νευρωνικού δικτύου.
Η υβριδική αυτή μέθοδος θα εφαρμοστεί στο πρόβλημα της πρόβλεψης του δείκτη ASE-20 του ελληνικού χρηματιστηρίου καθώς και στο πρόβλημα της πρόβλεψης της ισοτιμίας δολαρίου-Ευρώ. / In the present thesis we attempted to create a combination of genetic algorithms and neural networks. The proposed methodology was applied to the problem of predicting the exchange rate between EUR/USD and the Greek stock market ASE 20 index.
The idea of combining these two techniques for the solving of the above mentioned problems emerged by their innate ability of finding solutions where traditional methods fail. On one hand, neural networks imitate the human brain procedures and on the other, genetic algorithms imitate the physical evolution process. In fact, both techniques copy some of nature’s functions. Artificial neural networks, through educating and generalizing manage to learn a problem and provide solutions to it. Genetic algorithms, through the evolution circle can overcome local minima or maxima and reach global ones.
Due to their compact, parallel and distributed format and their ability of learning, neural networks make the solving of complicated problems possible, by dividing them in smaller projects, which are taken over by the neural networks according to their capabilities.
Due to the advantages of neural networks and genetic algorithms we created a combination of them to predict the exchange rate between EUR/USD and the Greek stock market ASE 20 index.
| Identifer | oai:union.ndltd.org:upatras.gr/oai:nemertes:10889/4952 |
| Date | 24 January 2012 |
| Creators | Αμοργιανιώτης, Θωμάς |
| Contributors | Λυκοθανάσης, Σπυρίδων, Θεοφιλάτος, Κωνσταντίνος, Γεωργόπουλος, Ευστράτιος, Καραθανασόπουλος, Ανδρέας, Amorgianiotis, Thomas |
| Source Sets | University of Patras |
| Language | gr |
| Detected Language | Greek |
| Type | Thesis |
| Rights | 0 |
Page generated in 0.0022 seconds