學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912
Browse
3 results
Search Results
Item 使用深度學習進行證券交易之型態分析研究(2018) 歐陽亦凡; Ou-Yang, Yi-Fan本研究主要以證券交易結合深度學習來進行證券交易指數的型態分析，補助使用者對於證券交易買入決策，研究核心主要是利用摺積神經網路所進行買點辨識，而在資料前處理的部分，我們提出先進行極值正規化後並且使用K-Means分群演算法來對我們的訓練資料集標籤，能夠讓我們有效的進行類神經網路的訓練。 首先本研究是以美國NASDAQ證券交易指數為實驗對象，從NASDAQ歷史股價紀錄裡取得收盤價的時間序列，之後我們將固定時間長度的時間序列(以下稱之為序列視窗)，從最早的歷史時間將序列視窗運用滑動的方式，每滑動一天將會有一筆序列視窗做為輸入資料，由於我們需要兩種觀察序列視窗的長度，所以基於上的步驟我們會定義兩種不同長度的序列視窗進行，然後在個別進行極值正規化的處理，將序列視窗的上下限壓縮在0與1之間，並分別將不同長度的序列視窗交給K-Means進行分群並標籤，並且我們會將這兩種尺寸的序列視窗個別進行對過去的訓練資料時間點進行平均獲利率評估，找出能夠有最好獲利效果的型態分群，最後再將這兩種尺寸各自最高獲利的分群，分別對過去保留一段時間未加入訓練集的資料辨識，利用這兩種尺寸的進行獲利率驗證，若在這兩種尺寸，都能獲得最佳的分群(也就是判斷結果交集)，且驗證獲利結果為正向，我們將會用在未來需要的辨識時間進行預測，否則放棄預測。 最後，本法則用於實驗對象是美國NASDAQ證券交易指數，對於觀察本最為核心的實驗結果，就是證券交易能夠獲利的程度，我們基於本法則嘗試了許多方式，分別以長期及短期個別的序列視窗，進行單一種類序列視窗辨識，以及用長期以及短期序列視窗進行交集辨識，發現以後者交集辨識有明顯優於個別辨識有擁有較好的獲利表現；同時我們也與其他同樣線型分析相似的研究進行比較，在同樣的交易條件下，本法則獲利表現依然能優於其他法則。而也由於我們的法則可以藉由調整分群的方式，相對於其他的方法更能夠提供不同的彈性也是我們的優勢。Item 以FPGA實現二元化類神經網路及應用於手寫圖片辨識之研究(2017) 黃暐傑; Huang, Wei-Chieh本論文是實作摺積類神經網路，並應用於手寫辨識。傳統摺積類神經網路的權重都是以實數表示，運算方式複雜。不論是在記憶體的使用或是運算子的資源消耗上分別會增加儲存與運算的負擔，此舉造成在FPGA上實作的困難。為了解決資源消耗的問題，本論文使用二元化類神經網路。最主要的核心概念是把權重簡化為二進制表示法，以及將運算子使用XNOR位元運算，最大的好處就是可以降低FPGA資源消耗。 本論文以LeNet5模型為例，此模型中的C1、C3、C5、F6的權重佔用了FPGA許多的資源。二元化類神經網路使用Sign function把原本32bit 浮點數權重簡化為1bit二進位碼。由於所有的運算元都是以二進位碼表示，運算子即可使用XNOR位元運算，不需使用浮點數的加法器與乘法器。經由二元化類神經網路的法則至少可以減少百分之八十的資源消耗，不只減少了內建記憶體使用，也減少數學運算子與暫存器使用。 在未來的應用中，不只可以放置在FPGA中，還可以放置在行動裝置或是穿戴式裝置中，來進行圖片辨識與語音辨識，對於科技的發展又前進了一大步。Item 以FPGA實現摺積神經網路及應用於人臉辨識之研究(2016) 王雅慶; Wang, Ya-Ching本研究主要提出一個以可程式化邏輯閘陣列(Field Programmable Gate Array; FPGA) [1]為主的硬體架構來實現快速辨識影像架構，此架構是採用摺積神經網路(Convolutional Neural Network ; CNN)的向前傳遞法則(Forward propagation)來實現影像的辨識階段，現有的CNN系統架構多以GPU實現，GPU有高功率的缺點，而現有使用FPGA實現CNN運算的電路設計大部分只有設計CNN中的少數幾層，只實作出摺積層或是全連結層，本研究以FPGA為平台，設計CNN中的Lenet5模型，設計出Lenet5完整架構，具有低功率消耗跟極高的辨識率的優點。 本研究的架構為可程式化系統晶片(System on Programmable Chip; SOPC)中的硬體加速器以實現圖像辨識，本研究使用人臉圖像來當作辨識影像，總共辨識28個人的人臉。實驗結果顯示本研究所提出的CNN架構十分合適於使用在需要高可攜性，高辨識率，高計算速度等的視覺應用。本論文實作CNN的Lenet5架構比較適合運用在社區的人臉監視系統，Lenet5 模型對於很多人的辨識運用比其它摺積神經網路較差些，像是VGG Net [2]、GOOGLE Net [3]，但對於30人左右的辨識率Lenet5模型還是辨識率還是足夠的。本研究可以使用在社區人臉辨識，社區的人臉監視系統只需要辨識社區內所有人物，而且辨識的速度快速，一有辨識錯的影像可以馬上被察覺，不會讓社區以外的人進入，這是本論文的一個有趣的應用。