基于深度学习算法的高频交易策略及其盈利能力

深度学习算法作为机器学习中的一种重要算法,在图像处理、语音识别、机器翻译等领域已成功应用.将深度学习算法应用于高频交易中,选取卷积神经网络和LSTM神经网络分别构建涨跌分类模型,在此基础上提出高频交易策略,并以沥青期货主力合约为例进行回测检验,实证分析策略优良性.通过与人工神经网络高频交易策略的比较,回测检验结果表明基于卷积神经网络和LSTM神经网络的高频交易策略的盈利能力较强,泛化能力较好,两种策略的胜率和期望收益虽有所差异,但均比人工神经网络高频交易策略高.     

基于LSTM神经网络的黑色金属期货套利策略模型

利用协整检验方法和LSTM神经网络算法,建立黑色金属期货市场的套利策略模型.利用基于LSTM神经网络套利策略模型对大连商品交易所上市的焦炭期货、铁矿石期货和上海期货交易所上市的螺纹钢期货进行实证研究.对比研究基于LSTM神经网络、BP神经网络和卷积神经网络的3种套利策略模型,实证结果表明基于LSTM神经网络的黑色金属期货套利策略模型可行有效,并且比BP神经网络套利策略模型和卷积神经网络套利策略模型表现更好.     

一种基于联合深度学习模型的情感分类方法

针对情感分析问题中长句和短句进行情感分类时不同的建模特点,提出了一种基于联合深度学习模型的情感分类方法。该方法融合长短期记忆模型(LSTM)与卷积神经网络(CNN)对影视评论数据进行情感极性判别,该方法采用LSTM模型对上下文进行建模,通过逐词迭代得到上下文的特征向量,采用CNN模型从词向量序列中自动发现特征,并从局部抽取特征后将局部特征整合成全局特征来提高分类效果。所提出的方法在COAE2016评测的任务2的情感极性分类任务中,其系统准确率获得最好结果。     

基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

N3LDG: 一种轻量级自然语言处理深度学习库

提出一种用于自然语言处理的轻量级深度学习库N3LDG, 可以支持动态地构建计算图, 并能自动地批量化执行计算图。实验显示, 当训练卷积神经网络、双向LSTM和树结构LSTM时, N3LDG都能高效地构建与执行计算图; 当使用CPU训练上述模型时, N3LDG的训练速度优于PyTorch; 当使用GPU训练卷积神经网络和树结构LSTM模型时, N3LDG的训练速度优于PyTorch。     

基于CNN的脑电信号情绪识别模型研究

针对现有深度学习模型在情绪识别方面种类少且准确率低的问题,采集并建立了脑电波信号数据集,提出了一种基于CNN的脑电波的智能多情绪识别模型,利用多层卷积神经网络提取脑电信号情感特征,在批归一化层和激活函数中引入非线性特性,构建了两层全连接神经网络,实现了情绪特征中积极、中性和悲伤的分类。实验结果表明,提出的模型复杂度低且分类准确率达到了81.43%,明显高于SVM、LSTM、VGGNet模型,证明了该模型的简洁性和高效性。     

综合语义技术与LSTM神经网络的主观题自适应评卷方法

针对已有主观题评卷存在的不足,本文提出了一种改进的综合语义技术与LSTM神经网络的主观题自适应评卷方法.首先,通过构建LSTM神经网络分类模型实现对问句试题语料集的题目类型和疑问类型同步双分类,为实现不同的问句类型采用不同的主观题自动评卷方法提供前期保障;然后,结合句法分析和依存关系分析对题目和答案文本进行剖析,包括通...     

基于改进长短时记忆网络的文本分类方法

针对传统长短时记忆网络(long short-term memory,LSTM)在文本分类中无法自动选取最重要潜在语义因素的问题,提出一种改进的LSTM模型。首先,将传统LSTM的运算关系拓展为双向模式,使网络充分记忆输入特征词的前后关联关系;然后在输出层前面增加池化层,以便更好选择找到最重要的潜在语义因素。互联网电影资料库评论数据实验结果表明,该模型优于传统长短时记忆神经网络以及其他同类模型,揭示了改进方案对提高文本分类准确率是有效的。     

基于LSTM的列车测速测距设备故障诊断

列车测速测距设备是列车运行控制系统的重要组成部分,也是故障率较高的设备之一.针对测速测距设备故障诊断自动化程度低的问题,提出一种基于LSTM(Long Short-Term Memory)神经网络的列车测速测距设备故障诊断方法,利用自适应最小支持度的加权Apriori算法从测速测距设备的时间序列中提取与故障分类关联度高的时间序列,构建故障数据集;利用LSTM神经网络对故障进行分类对比,测试结果表明:在以时间序列为故障特征的条件下,LSTM分类效果优于全卷积神经网络(Fully Convolutional Neural Networks,FCNN)与循环神经网络(Recurrent Neural Network,RNN).     

基于循环神经网络的人体行为识别

使用4种类型的循环神经网络模型(RNN、GRU、LSTM、BLSTM)处理手机传感器采集的异构时间序列数据,用于人体行为识别研究.针对4种模型,分别构建自动特征提取方法,并对参数设置进行优化.在公开数据集UCI HAR上进行了行为识别测试实验,实验结果表明,BLSTM模型的识别精度高达95.7%,可以有效地用于行为识别,其识别率和性能优于其他3种循环神经网络,且高于卷积神经网络深度学习方法.     

基于深度学习的含未知复合故障多传感器信号故障诊断

深度学习在故障诊断领域的应用已比较成熟,其中卷积神经网络（CNN,convolution neural networks）和长短时记忆网络（LSTM,long short-term memory networks）就是典型模型之一。CNN作为一种常用的多传感器信号故障诊断方法,能够获得较好的诊断效果,却无法实现未知复合故障的诊断,为解决这个问题,提出CNN-LSTM-FCM （fuzzy C-means）模型。LSTM对具有前后联系的时间信号更敏感,利用这个特点将LSTM与CNN相结合,实现未知信号的诊断,并通过概率分类输出实现了复合故障的解耦,CNN-LSTM-FCM模型本身优化参数设计,进一步提高了诊断精度。使用化学过程故障测量数据进行实验,结果表明CNN-LSTM-FCM模型诊断准确率可达到97.15%,优于CNN模型和LSTM模型,具有较高的应用价值。     

基于改进的卷积神经网络模型的中国绘画图像分类方法

提出了一种改进的卷积神经网络模型,在传统卷积神经网络中加入Inception模块,提取出图像的多尺度特征,同时引入残差连接,充分利用图像的底层特征信息.在模型中加入批标准化技术与重叠池化技术,减轻模型的过拟合.最后将提取出的特征信息输入到softmax分类器进行分类.为了验证改进模型在中国绘画图像分类上的可行性和有效性...     

基于LSTM的监控视频中步态识别方法研究

卷积神经网络(Convolutional Neural Networks,CNN)已广泛应用于步态识别领域,但CNN进行分类时仅考虑单张步态图片,未考虑到步态的连续性特征,这直接影响到最终识别准确率。因此,提出利用长短期记忆网络(Long Short-Term Memory networks,LSTM)来获取步态的连续特征,结合步态能量图(Gait Energy Image,GEI)构建一种新的步态识别模型。将该模型在OU-ISIR Treadmill dataset B数据库上进行测试,识别准确率和网络训练时间两个方面都优于CNN,表明LSTM在步态识别领域上具有良好的应用前景。     

融合LSTM的DCNN及其图像模糊类型和参数识别

大数据时代,图像是重要的信息传递媒介,但图像质量退化将影响信息识别.针对各种类型的图像退化问题,提出一种融合长短期记忆(LSTM)的深度卷积神经网络(DCNN)的带记忆分类方法,识别退化图像模糊类型及其参数,根据准确的模糊类型及模糊核进行图像去模糊.首先改进DCNN卷积模型,调节卷积运算步长算子,加快图像卷积收敛速度;引入串行LSTM网络,将训练过的图像微元进行记忆,提高识别速度和准确性;通过BP网络输出模糊类型及其参数,再进行图像反卷积去模糊.实验表明能识别出3种主要模糊类型并识别率在90%以上,模糊参数误差在一个像素内,能复原出清晰的图像;最后将算法应用到实际高速铁路轨道缺陷检测系统中,对质量较差的图像进行模糊识别及去模糊,提高图像识别率.     

基于卷积神经网络的岩石图像分类

在显微镜下分析岩石薄片并对其进行分类时,人工鉴定效率较低且易受主观因素影响,为此提出了一种基于卷积神经网络深度学习的岩石粒度自动分类方法。该方法通过卷积网络模型实现图像特征自动提取,并同时建立模式分类器,实现基于薄片图像的粒度自动识别。采用鄂尔多斯盆地的4 800样品对卷积网络模型进行训练,通过1 200个样品对模型测试,测试集分类结果的准确度达到98.5%。理论分析与数据验证说明,通过深度学习所建立的卷积网络模型能够基于岩石薄片图像获得高效、准确、可靠的自动分类结果。     

基于CNN-LSTM的脑电情感四分类研究

为深入研究脑电信号时空特征之间的关联,解决因手动提取特征导致的脑电情感识别准确率较低问题。将卷积神经网络（Convolutional neural network, CNN）和长短时记忆网络（Long short- term memory, LSTM）相结合,构造出了CNN-LSTM模型。首先,提取了5个频段的5个不同特征：功率谱密度(PSD)、差分熵(DE)、差分不对称(DASM)、理性不对称(RASM)和差分熵差分(DCAU)。其次,将特征输入CNN-LSTM模型,在DEAP数据集中的效价和唤醒两种情感维度上展开四分类实验。最后,将堆栈自编密码器(SAE),卷积稀疏自编码器(CSAE),深度置信网络(DBN)分别与LSTM组合,构造SAE-LSTM,CSAE-LSTM,DBN-LSTM三种混合模型同CNN-LSTM进行分类准确率比较。实验结果表明,DE特征的分类识别效果在五种特征中占最优,β和γ频段上所有特征的识别准确率远高于其他频段,尤其是γ频段。CNN-LSTM模型获得了最高的平均分类准确率92.48%,充分证明了CNN-LSTM模型的有效性。     

基于卷积神经网络的无人机识别方法仿真研究

为了提高卷积神经网络(CNN)的泛化性和鲁棒性,改善无人机航行时识别目标图像的精度,提出了一种CNN与概率神经网络(PNN)相结合的混合模型。利用CNN提取多层图像表示,使用PNN提取特征对图像进行分类以替代CNN内部的BP神经网络,采用均方差和降梯度法训练模型,通过将预处理的图像传输到CNN-PNN模型,对图像纹理和轮廓进行分类识别,并将此模型的仿真结果与卷积神经网络模型、卷积神经网络-支持向量机模型的结果进行对比。仿真结果表明,与其他两种模型相比,CNN-PNN模型具有更好的精准度,识别率高达96.30%。因此,CNN-PNN模型能够快速有效地识别图像,准确度和实时性较高,在图像识别等方面具有很好的应用前景。     

低分辨率条件下鞋类的自动分类方法

根据视频监控中行人所穿鞋的鞋型搜索犯罪嫌疑人是公安机关常用侦查技战法。然而在现实案件中很多视频监控分辨率较低,公安民警不能精确识别到具体鞋型,且消耗大量的时间和警力。针对这一问题,提出一种对低分辨率视频监控下的鞋类进行自动分类的方法。参考全国制鞋标准化技术委员会2017年制定的制鞋标准,初步将鞋类分为皮鞋和运动鞋两大类;构建鞋类数据库,包括59 853幅皮鞋和47 878幅运动鞋图像;进而基于卷积神经网络,设计一种适用于鞋类自动分类的鞋类识别网络模型。实验结果表明,鞋类自动分类模型在测试阶段对鞋分类的准确率达到了95.7%,可见基本能准确识别皮鞋和运动鞋两类鞋。     

多价值链视角下基于深度学习算法的制造企业产品需求预测

多价值链协同发展背景下,制造企业没有充分考虑服务链、营销链等其他价值链对产品需求的影响。为提高制造企业产品需求预测的精度,本文提出了产品数据空间和一维卷积神经网络(One-dimensional convolutional neural networks, 1D-CNN)-长短期记忆神经网络(Long short-term memory, LSTM)的深度学习算法。首先,整合不同价值链对产品需求影响的相关数据构建产品数据空间。其次,从数据空间中获取多链数据集用于1D-CNN-LSTM模型的预测。其中,1D-CNN通过两次卷积池化操作获取数据的深层次特征,LSTM则通过进一步学习数据特征中的重要信息来进行时间序列预测。最后,通过某电气设备制造企业生产销售的环网柜产品的相关数据进行算例分析,并与其他几种模型进行预测结果比较。结果表明：1D-CNN-LSTM模型的预测效果优于神经网络模型和单一的LSTM模型。可见本文提出的1D-CNN-LSTM深度学习模型更具优越性,预测效果好。     

多标签文本分类模型对比研究

为了有效地管理和利用网络文本信息,实现文本内容自动标签标注,提出采用多种深度学习模型对多标签文本分类进行研究。采用神经网络词向量模型word2vec获取文本数据的语义特征。对循环神经网络和卷积神经网络进行模型融合,引入注意力机制,形成TextRCNN_Attention神经网络模型。实验结果表明,TextRCNN_Attention模型结构融合了循环神经网络和卷积神经网络模型的优点,能更好地理解语义信息。Attention机制对文本特征提取更加合理,使模型将注意力聚焦在对文本分类任务贡献分值较大的特征上,分类效果更好。