Πρόβλεψη Χρονοσειρών με Συνδυασμό Νευρωνικών Δικτύων και Ασαφούς Λογικής

Time series forecasting with combination of Neural Networks and Fuzzy Logic (Αγγλική)

  1. Bachelor’s thesis
  2. Σαρμίδης, Κωνσταντίνος
  3. Πληροφορική (ΠΛΗ)
  4. 21 Ιουλίου 2018 [2018-07-21]
  5. Ελληνικά
  6. 75
  7. Λυκοθανάσης, Σπυρίδων
  8. Χατζηλυγερούδης, Ιωάννης | Μπεληγιάννης, Γρηγόριος
  9. χρονοσειρές | time series | ασαφής λογική | fuzzy logic | πρόβλεψη | forecasting | νευρωνικά δίκτυα | neural networks | προσαρμοστικό δίκτυο | adaptive network | γραφικό περιβάλλον χρήστη | graphical user interface
  10. 4
  11. 48
  12. Περιέχει: εικόνες, πίνακες.
    • Στην παρούσα διατριβή μελετάται το πρόβλημα της πρόβλεψης χρονοσειρών, χρησιμοποιώντας υβριδικά συστήματα ασαφούς λογικής και νευρωνικών δικτύων. Παγκοσμίως, η μελέτη των χρονοσειρών είναι εξαιρετικά διαδεδομένη, λόγω του πλήθους χρονοσειρών που συναντούμε στην καθημερινότητά μας. Αρχικά, η μελέτη αναλύεται με τις κλασσικές στατιστικές μεθόδους και επεξηγούνται τα βασικά στατιστικά χαρακτηριστικά των χρονοσειρών. Στη συνέχεια, ακολουθεί μια εισαγωγή στις έννοιες της ασαφούς λογικής, τον τρόπο εφαρμογής τους για την εξαγωγή συμπερασμάτων και αναφέρονται τα βασικότερα μοντέλα λειτουργίας της ασαφούς λογικής. Τα τελευταία χρόνια έχουν προταθεί πολλά μοντέλα για την επίτευξη της ρύθμισης των ασαφών συστημάτων χρησιμοποιώντας νευρωνικά δίκτυα. Παρουσιάζονται, λοιπόν, τα μοντέλα των νευροασαφών συστημάτων και αναλύονται τα πιο βασικά από αυτά. Κατόπιν, ακολουθεί εκτεταμένη βιβλιογραφική ανασκόπηση. Η μελέτη και η πρόβλεψη των χρονοσειρών, εν συνεχεία, εφαρμόζεται στην αρχιτεκτονική ANFIS , για την υλοποίηση της οποίας σχεδιάζεται ένα μοντέλο, το οποίο στη συνέχεια αναπτύσσεται στο πακέτο λογισμικού Matlab. Έπειτα, αναπτύσσεται ένα γραφικό περιβάλλον αλληλεπίδρασης με τον χρήστη, το οποίο διαμορφώνει τα δεδομένα της χρονοσειράς, εκπαιδεύει το μοντέλο και πραγματοποιεί προβλέψεις. Το λογισμικό που αναπτύχθηκε χρησιμοποιείται για την μελέτη δύο χρηματιστηριακών μεγεθών, με το οποίο, μετά από επαρκή αριθμό πειραμάτων , προσδιορίζονται τα κατάλληλα χαρακτηριστικά του συστήματος για την επίτευξη βέλτιστου αποτελέσματος. Ακολουθεί μία σύγκριση των αποτελεσμάτων του νευροασαφούς συστήματος με απλά τεχνητά νευρωνικά δίκτυα. Τέλος, στα συμπεράσματα διατυπώνεται η ικανότητα του μοντέλου ANFIS για πραγματοποίηση προβλέψεων ποσοστιαίων μεταβολών σε χρηματιστηριακά μεγέθη, καθώς και η εσωτερική πληροφόρηση που παρέχει το σύστημα, λόγω των ασαφών κανόνων που παράγονται.
    • This dissertation analyses the problem of time series prediction by utilizing hybrid systems of fuzzy logic and neural networks. Time series analysis is a popular subject of study because of the great number of time series we come across in our life. Time series analysis is introduced by using the classical statistical methods and the basic time series statistical characteristics are explained. An introduction to the fuzzy logic aspects comes next, how it is applied to extract useful results and the basic fuzzy logic models are explained. Lately many models have been proposed for achieving fuzzy fine tuning, most of them utilize neural networks. Neurofuzzy systems are presented and the ones that are frequently used are analyzed. After that follows an extensive bibliographic research on the topic. Studying and predicting time series is performed through the ANFIS architecture and a model for applying this architecture is designed, which then is implemented using the Matlab software package. Next a Graphical User Interface is developed. That GUI allows data processing, trains the neurofuzzy model and forecasts future values. The developed software is used for predicting two stock market time series, the USD vs EURO and the USD vs GBP rates. After capable number of experiments the appropriate values are specified for achieving maximum performance. What follows is a comparison of the results by researching the same problem by using ordinary neural networks. In the results is expressed the ability of ANFIS for performing percentage change predictions in stock market products and the great value of the system’s visible internal workings through the produced fuzzy rules.
  13. Hellenic Open University
  14. Αναφορά Δημιουργού - Παρόμοια Διανομή 4.0 Διεθνές