Výzkum a vývoj umělé inteligence probíhá přibližně od 50. let 20. století, kdy se začínalo používat pojmu umělá inteligence. Alan Turing se tehdy domníval, že v roce 2000 bude k dispozici systém umělé inteligence, který bude odpovídat jeho vlastní definici inteligentního chování. Po euforii, která se projevila v 50. letech, přišlo vystřízlivění a zklamání, i když v současné době existují úspěšné aplikace umělé inteligence. Pokrok lze zaznamenat v oblasti rozpoznávání vzorů, která bude předmětem této publikace. Například detekce obličeje nebo úsměvu v obraze, která se dnes běžně používá v kompaktních digitálních fotoaparátech. Na druhou stranu musíme konstatovat, že mezery jsou v oblasti rozpoznávání řeči nebo textu. Spousty starých rukopisů čekají v archivech na svou digitalizaci. Systémy pro rozpoznání psaného textu, které by mohly nahradit klávesnice počítačů, fungují jen částečně. Nedochází k jejich masovému použití.
Chtěla bych zde představit vytvořené metodiky pro analýzu a rozpoznávání struktur v časově závislých datech. Budeme vám prezentovat vytvořené detekční systémy, které umožňují rozpoznávat struktury vzorů, které představují chování komplexních systémů, jako jsou například struktury Elliotových vln a její deformace. Všechny zde představené klasifikátory fungují na principu umělých neuronových sítí a jejich funkčnost byla ověřena v experimentálních simulacích. Časově závislá data reprezentují chování systémů, na které nahlížíme, "zdola-nahoru", a proto zde uplatňujeme přístup bottom-up se znaky samoorganizace a emergence. Interakce mezi entitami včetně chování systému jako celku vyplynou během činnosti systému - emergují za jeho běhu.
Problematika klasifikace a rozpoznávání vzorů leží na hranici mezi informatikou, matematikou a umělou inteligencí. Klasifikace je jednou z nejčastějších úloh v lidském rozhodování. Klasifikace je činnost, při které se posuzované objekty zařazují do příslušných tříd. Počítačový klasifikátor je schopen řešit klasifikační úlohy. Obecně lze rozdělit algoritmy, kterých je používáno do dvou kategorií: využívající pravidla a algoritmy, které vycházejí z metod umělé inteligence, nazývané softcomputing.
Existuje několik variant soft-computing metod, které se používají v klasifikačních úlohách. Z těch hlavních to jsou: (●) Support Vector Machine SVM; (●) Adaptive Boosting Adaboost; (●) Hidden Markov Models; (●) neuronové sítě; (●) samoorganizace.
Klasifikace je prováděna ve dvou dílčích krocích. Spočívá ve výběru klíčových vlastností a vlastní klasifikaci.
Klasifikátory na bázi umělých neuronových sítí jsou velmi rozšířené z důvodu okamžitého rychlého rozhodování, i když vstupních dat je hodně. Mezi nejjednodušší klasifikace se řadí dvouhodnotová klasifikace. Rozhoduje mezi dvěma možnostmi "1" a "0", "ano" "ne", "černá" "bílá". Složitější bývá vícehodnotová klasifikace.
Základem umělé neuronové sítě je formální neuron. Každá umělá neuronová síť je složena z formálních neuronů, které jsou vzájemně propojeny. V souvislosti se změnou v čase, stavem neuronů a adaptací váhy lze hovořit o třech dynamikách, respektive třech režimech práce sítě: organizační (změna topologie); aktivní (změna stavů neuronů) a adaptivní (změna konfigurace).
Změna konfigurace probíhá podle adaptačních pravidel, z nichž některé představím.
Hebbovo adaptační pravidlo spočívá v tom, že váhové hodnoty na spojení mezi dvěma neurony, které jsou současně ve stavu "on" nebo "off" budou narůstat. Ty, které nejsou ve stavu "on" nebo "off" budou klesat. Tímto způsobem Donald Hebb vysvětloval vznik podmíněných reflexů.
Delta pravidlo patří mezi nejpoužívanější adaptační pravidla.
Adaline, adaptivní lineární neuron je klasickým příkladem adaptivního filtru asociativní paměti neuronové sítě. Pokud je odezva sítě na předložený vstup správná, nic neděláme. Není-li tomu tak, jsou váhové hodnoty upravovány pomocí delta pravidla. Pokud je chyba sítě E přijatelná, adaptace končí. Toto adaptační pravidlo je mnohem silnější než Hebbovo adaptační pravidlo.
Adaptační algoritmus zpětného šíření chyby (backpropagation) představuje nejpoužívanější adaptační pravidlo pro vícevrstvé neuronové sítě s dopředným šířením signálů směrem od vstupní vrstvy k výstupní.
Klasifikace je jednou z hlavních aplikačních oblastí pro umělé neuronové sítě.
Poř. čís. | Název činnosti metodiky | Charakter činnosti | Výběr nástroje pro samotnou realizaci | |
| 1 | Získání dat - časové řady |
| Zdroj www. | |
| 2 | Výběr a příprava vzorů trénovací množiny | Analýzy Elliotovy vlny - rozpoznání charakteristických struktur | Elliotova teorie | |
| 3 | Výběr a adaptace neuronové sítě | Nastavení topologie neuronové sítě, typu přenosové funkce a parametru učení pro adaptaci metodou backpropagation | Neuronové sítě | |
| 4 | Rozpoznávání vzoru v časové řadě | Adaptační metodou backpropagation připravit normalizované vzory množiny představující jednotlivé části Elliotovy vlny | Neuronové sítě, Elliotova teorie, analytické programování | |
| 5 | Aplikace | Adaptace první neuronové sítě | Neuronové sítě | |
| 6 | Návrh znalostního systému, jeho implementace, predikce trendu řady | Příprava normalizovaných vzorů množiny pro druhou neuronovou síť, znalostní systém, určený k predikci trendu řady. Nastavení topologie vícevrstvé neuronové sítě, typu přenosové funkce a parametru učení pro adaptaci metodou backpropagation | Znalostní modelování, neuronové sítě | |
| 7 | Analýza a zpracování dat a jejich příprava pro další využití | Výběry testovací řady, normalizace. Naadaptovaná neuronová síť rozpoznává různou míru shody. Výstupy neuronové sítě představují současně vstupy druhé naadaptované neuronové sítě | Neuronové sítě | |
| 8 | Zhodnocení výsledků řešení | Vyhodnocení, ověření a porovnání se stávajícími metodami. Zhodnocení kvality rozpoznávání a úspěšnosti predikce | Analytické programování, Box-Jenkinsonova metodologie, Refined Elliott Trader |
Jednotlivé kroky metodiky
Zde zmíněná metodika byla aplikována při práci s Elliottovými vlnami na použitých datech Forexu a průběhu volume.
Forex je zkratkou pro směnu cizích měn (Foreign Exchange - FX). Forex nemá vlastní burzu, avšak co se týče každodenního objemu prodeje, jedná se jednoznačně o největší finanční trh světa. Jde o nejlikvidnější trh na světě. Princip obchodování spočívá v koupi jedné měny a prodej jiné měny.
Ceny měn jsou ovlivněny relativní silou ekonomik, jejich inflacemi a úrokovými mírami. Největšího objemu obchodu na Forexu představuje americký dolar a euro.
Volume, česky "objem obchodů" představuje celkové množství zobchodovaných kontraktů v určitém časovém úseku. Zkrátka jak se obchodovalo.
V souvislosti s umělou inteligencí předkládáme metodiku pro analýzu a rozpoznávání struktur, které mají fraktální charakter. Fraktál, podle Mandelbrota, je jednoduše řečeno geometrický útvar, který má následující vlastnosti: je soběpodobný nebo soběpříbuzný a na první pohled má velmi složitý tvar, ale bývá generován opakovaným použitím jednoduchých pravidel.
Tato metodika má interdisciplinární charakter a kombinuje teorii Elliottových vln, znalostní modelování, umělé neuronové sítě a analytické programování.
Zakladatel teorie Elliottových vln Ralph Nelson Elliott, zjistil, že pohyby na finančních trzích vykazují tu charakteristiku, že se ve vlnách opakují. Podstata Elliottových vln je založena na myšlence, že rostoucí a klesající cenové pohyby mají tendenci se opakovat ve vlnách. Typická vlnová struktura je tvořena 5 vlnami ve směru trendu a následující 3 vlny formují korekční pohyb. Znalost této teorie spolu s dalšími technickými analytickými nástroji zvyšují pravděpodobnost úspěšného obchodování na světových burzách.
Elliottovy vlny
Znalostní modelování se zabývá metodami a technikami získávání, formalizace, kódování, uchovávání, testování a udržování znalostí. Cílem je naplnění znalostních systémů znalostmi.
Analytické programování bylo vyvinuto profesorem Zelinkou. Vychází z genetického programování a gramatické evoluce. Jedná se o experimentální metodu, na kterou lze pohlížet jako na alternativní přístup vzhledem k evolučním algoritmům.
Metodiku, která využívá interdisciplinárního přístupu, lze použít na prediktivní úlohy. Je uplatnitelná nejen na předpovědi trendu burzovního vývoje cen a objemu, ale lze ji použít na jakoukoliv jinou časovou řadu s fraktální dynamikou.
Zdroje:
E. Volná, M. Kotyrba, M. Janošek, V. Kocian: Umělá inteligence
Úprava: Miriam
Komentáře
Okomentovat