學位論文

Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73912

Browse

Subject: search.filters.subject.Pattern Recognition

Search Results

Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
    使用強化式學習於時間序列預測之應用
    (2019) 楊日鳳; Yang, Jih-Feng
    本論文使用強化式學習的方法結合類神經網路LSTM架構於時間序列的分析與預測，然而我們想針對美國NASDAQ指數進行買點分析的研究探討，並使用強化式學習中的Policy Gradient法則，以型態學的角度處理資料，讓LSTM模型，學習歷史收盤價中上漲及下跌前會發生的預兆進而預測買點。本論文的研究目的為證明強化式學習及LSTM的模型，對於時間序列的預測是相當合適的，雖然本研究只針對一種資料做研究，但其方法與架構可以套用至其它時間序列資料。 由型態學的理論作為基礎，我們需要訓練兩種趨勢的模型，使我們可以更確定特徵出現的訊號，讓預測結果更加確定更為穩健。我們也以型態學的角度，將收盤價資料做處理，使看似雜亂無章的收盤價資料處理成趨勢資料。接著我們以Policy Gradient的方法，以獲利值引導參數學習，使得模型在訓練的過程中，會自行隨著獲利值慢慢收斂至擁有最大期望值的模式。 實際測試方面，本論文以三種趨勢的資料做測試，測驗本研究所提出的演算法架構使否能成功避險及獲得高獲利，而根據實驗結果顯示，此架構除了能夠成避開負獲利的買點以外，也能夠只挑選那些有足夠把握的買點才做購買，避開那些不必要之交易風險。 本論文也將此架構之演算法和其他現有的方法做討論，也有較好之獲利能力。
  • No Thumbnail Available
    Item
    基於特徵選取之通用影像分類器
    (2015) 余晟麟; Yu, Cheng-Lin
    傳統上建立一個分類系統,需要很複雜的程序,包含搜集訓練資料、特徵 擷取、辨識模式訓練及準確率分析等等。一般而言建立的分類系統只能針對特 定主題的影像資訊來做辨識,原因在於指定影像主題能夠利用該主題的特色資 訊做訓練,可使辨識系統達到良好的準確率。在過去的研究中,主要針對特定 主題提出影像分類的方法,本研究有別於一般性的影像分類研究在於不需指定 影像主題,就能建立一個影像辨識系統。 在實際的應用上,訓練資料蒐集不易,能提供訓練的樣本資料不多,本研 究對於辨識系統的設計為藉由少量的訓練樣本,擷取大量與不同種類的特徵, 使得辨識系統盡可能擁有足以表達各種不同影像主題的能力,並且使用 SVM 結 合 F-score 特徵選取的方法於影像分類領域中,從大量特徵中挑選一組滿足分類 任務所需要的通用特徵集合,以實現通用分類器,提供一個不需侷限影像主題 的分類應用。