检索结果-内蒙古大学图书馆

河南理工大学学报（自然科学版） 2022年第4期41卷 107-116页

作者：李奎张丹王尧河北工业大学河北省电磁场与电器可靠性重点实验室天津300130 河北工业大学省部共建电工装备可靠性与智能化国家重点实验室天津300130

针对非线性负载条件下线路正常工作电流波形与故障电弧波形具有相似特征,容易引起故障电弧保护装置误动作的问题,提出一种基于卷积自编码网络的故障电弧多分类识别方法。采用卷积自动编码器进行故障电弧特征提取,优化设计卷积自动编码... 详细信息

针对非线性负载条件下线路正常工作电流波形与故障电弧波形具有相似特征,容易引起故障电弧保护装置误动作的问题,提出一种基于卷积自编码网络的故障电弧多分类识别方法。采用卷积自动编码器进行故障电弧特征提取,优化设计卷积自动编码器网络模型参数,并利用Softmax多分类器建立故障电弧多分类识别网络模型。实验结果表明,所提方法的故障电弧识别准确率达到99.31%,相应负载类型识别准确率达到97.94%,满足故障电弧识别要求。

关键词：串联故障电弧卷积自动编码器 Softmax多分类器非线性负载故障电弧识别

来源：评论

学校读者我要写书评

暂无评论

基于改进CAE的物联网终端风险评估模型

引用

信息网络安全 2024年第1期 150-159页

作者：王君艳伊鹏贾洪勇张建辉郑州大学网络空间安全学院郑州450001 中国人民解放军战略支援部队信息工程大学信息技术研究所郑州450001 嵩山实验室郑州450001

物联网异构终端数量大、结构简单、安全防护能力弱,容易成为攻击目标。针对传统风险评估方法处理不断变化的大量风险因素时,评估机制建立困难,评估效率不高的问题,文章提出基于改进卷积自动编码器的物联网终端风险评估模型(Lightweight ... 详细信息

物联网异构终端数量大、结构简单、安全防护能力弱,容易成为攻击目标。针对传统风险评估方法处理不断变化的大量风险因素时,评估机制建立困难,评估效率不高的问题,文章提出基于改进卷积自动编码器的物联网终端风险评估模型(Lightweight Convolutional Autoencoder Combined with Fully Connected Layers and Classifier Model,LCAE-FC)。将更轻量化卷积自动编码器与分类器结合构建模型,使高维特征学习与逐阶降维输出评估概率值一体化;编码器引入深度可分离卷积,每个通道学习广义行为特征内部结构;每个输出特征均进行平均池化,最大限度保留风险信息;全连接层与分类器结合将高维特征抽象后阶梯式降维输出风险概率值。N-BaIoT数据集上的实验结果显示,文章所提模型精确度和F1值均高达99.3%以上,相较传统的CAE、Bi-LSTM和SAE-SBR模型,性能更优。

关键词：物联网终端风险评估卷积自动编码器广义行为风险因素深度可分离卷积

来源：评论

学校读者我要写书评

暂无评论

多尺度非监督特征学习的人脸识别

引用

计算机工程与应用 2016年第14期52卷 136-141,196页

作者：尹晓燕冯志勇徐超天津大学计算机科学与技术学院知识科学与工程研究所天津300072 天津大学软件学院天津300072

为了充分利用人脸图像的潜在信息,提出一种通过设置不同尺寸的卷积核来得到图像多尺度特征的方法,多尺度卷积自动编码器(Multi-Scale Convolutional Auto-Encoder,MSCAE)。该结构所提取的不同尺度特征反映人脸的本质信息,可以更好地还... 详细信息

为了充分利用人脸图像的潜在信息,提出一种通过设置不同尺寸的卷积核来得到图像多尺度特征的方法,多尺度卷积自动编码器(Multi-Scale Convolutional Auto-Encoder,MSCAE)。该结构所提取的不同尺度特征反映人脸的本质信息,可以更好地还原人脸图像。这种特征提取框架是一个卷积和采样交替的层级结构,使得特征对旋转、平移、比例缩放等具有高度不变性。MSCAE以encoder-decoder模式训练得到特征提取器,用它提取特征,并融合形成用于分类的特征向量。BP神经网络在ORL和Yale人脸库上的分类结果表明,多尺度特征在识别率和性能上均优于单尺度特征。此外,MSCAE特征与HOG(Histograms of Oriented Gradients)的融合特征取得了比单一特征更高的识别率。

关键词：非监督特征学习多尺度卷积自动编码器深度学习

来源：评论

学校读者我要写书评

暂无评论

改进的深度卷积网络及在碎纸片拼接中的应用

引用

计算机工程与应用 2014年第9期50卷 176-181,270页

作者：段宝彬韩立新合肥学院数学与物理系合肥230601 河海大学计算机与信息学院南京211100

近年来,深度卷积网络在图像识别、语音识别和自然语言处理等领域广泛使用,取得了很好的效果。为解决全部样本均为无标签数据的分类问题,对深度卷积神经网络进行了改进,采用卷积自动编码器学习输入样本的特征,用k-均值聚类器代替深度卷... 详细信息

近年来,深度卷积网络在图像识别、语音识别和自然语言处理等领域广泛使用,取得了很好的效果。为解决全部样本均为无标签数据的分类问题,对深度卷积神经网络进行了改进,采用卷积自动编码器学习输入样本的特征,用k-均值聚类器代替深度卷积网络中的分类器,建立了改进的深度卷积网络结构,给出了相应的学习算法,将其用于解决碎纸片拼接问题。实验表明,该方法有效可行,提高了碎纸片拼接的准确性和鲁棒性。

关键词：卷积神经网络 k-均值聚类碎纸片拼接卷积自动编码器深度学习

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的立铣刀磨损状态识别方法研究

基于深度学习的立铣刀磨损状态识别方法研究

引用

作者：杨国葳大连理工大学

学位级别：硕士

叶轮作为透平压缩机、核电站水泵等大型旋转机械设备的核心零件,叶轮流道结构的整体加工质量将直接决定设备运转性能的好坏。刀具作为叶轮流道铣削加工的主要执行件,当其在加工过程中磨损到一定程度后,会对工件的整体加工质量产生不利影... 详细信息

叶轮作为透平压缩机、核电站水泵等大型旋转机械设备的核心零件,叶轮流道结构的整体加工质量将直接决定设备运转性能的好坏。刀具作为叶轮流道铣削加工的主要执行件,当其在加工过程中磨损到一定程度后,会对工件的整体加工质量产生不利影响,进而降低车间的生产效率。因此,对铣削过程中的刀具磨损状态识别方法进行研究具有很大的实际工程应用价值。本文通过监测数控铣床主轴电机电流信号,利用深度学习算法实现自适应特征提取与磨损状态识别。论文的主要研究内容如下:（1）充分讨论刀具磨损状态监测方法的国内外研究现状;研究铣刀的磨损机理,通过理论分析,验证以机床主轴电机电流信号作为刀具磨损状态的检测信号的合理性;设计不同的采集方案,分别采集了1组不同磨损阶段数据和1组生产现场数据,共获得了2个数据集,作为深度学习算法的数据支持。（2）运用两种不同的预处理方式对获取的两个数据集分别进行样本拆分与筛选。对于不同磨损状态实验,根据后刀面磨损量划分磨损等级,然后进行样本拆分;对于生产现场实验,利用滑动窗口自动拆分原始长序列信号,然后对拆分后各样本进行均值计算,最后通过搜索局部峰值设定阈值,实现有效样本筛选。（3）利用一维深度卷积自动编码器自适应地提取基于原始时域信号自身的反映刀具磨损状态的特征信息。首先,将三相电流信号融合成电流有效值并做归一化处理,以此作为模型的输入;然后,通过无监督预训练提取基于信号本身的特征信息;最后进行二次有监督微调,实现对刀具不同磨损状态的识别。（4）针对一维深度卷积自动编码器忽略了时间序列特性而造成特征信息丢失的问题,在原有模型的基础上引入门控循环单元及注意力机制。在卷积层进行多维度特征信息提取的同时,同步提取时间序列的时间特性,全面且深层次发掘刀具不同磨损状态的特征信息。（5）基于Lab VIEW平台搭建铣刀状态监测系统,实时采集铣刀在铣削加工过程中的电流信号并将电流有效值的时域、频域波形进行可视化显示。同时,利用完成训练的深度神经网络对刀具状态进行监测,直接获得刀具磨损状态的判断结果。

关键词：刀具磨损主轴电流深度学习卷积自动编码器门控循环单元

来源：评论

学校读者我要写书评

暂无评论

基于多个异构网络信息整合的药物和疾病的关联预测研究

基于多个异构网络信息整合的药物和疾病的关联预测研究

引用

作者：孟祥凤黑龙江大学

学位级别：硕士

识别已批准药物的新用途(药物重定位)是减少药物开发时间和成本的有效方法。预测潜在的药物-疾病关联可以为生物学家筛选出更加可靠的候选,从而缩短药物的研发周期。所以如何有效地预测可靠候选是生物学领域中值得深入研究的课题。最近... 详细信息

识别已批准药物的新用途(药物重定位)是减少药物开发时间和成本的有效方法。预测潜在的药物-疾病关联可以为生物学家筛选出更加可靠的候选,从而缩短药物的研发周期。所以如何有效地预测可靠候选是生物学领域中值得深入研究的课题。最近的药物-疾病关联预测方法集中于整合药物和疾病的多模态数据,然而它们未能充分整合药物和疾病多模态数据之间的深层次信息。本文通过深度学习的方法来整合药物和疾病不同层面的信息,包括药物和疾病的多视角属性信息、药物-疾病异构网络中的多尺度邻居拓扑信息以及丰富的语义信息。结合药物和疾病的多模态数据,提出了三个模型来预测药物-疾病关联。基于药物和疾病节点对中蕴藏的丰富的关联与连接,提出了带有多感受野卷积神经网络(CNN)的药物-疾病关联预测模型(MVpred)。首先,提出了一个节点对嵌入策略来捕获两者之间的诸多相似性与联系。然后采用不同大小的感受野捕获节点对中不同视角的属性信息。最后通过CNN将不同视角的属性信息进行融合,并进行关联预测。MVpred筛选潜在候选的性能也已经在五个药物的案例研究中得到了证明。基于药物-疾病异构网络中丰富的语义信息,提出了带有节点级注意力和语义级注意力机制的全连接自动编码器关联预测模型NSpred。首先,基于药物不同层面的相似度分别建立了3个异构网络。基于元路径构造了药物(疾病)节点的邻居集合。由于不同邻居节点的重要性不同,提出了节点级注意力来区分不同邻居的重要性。不同元路径对于关联预测的贡献不同,提出了语义级注意力为不同的元路径分配不同的权重。再将学习到的语义表示送入全连接自动编码器,得到低维的语义表示。最后采用全连接层得到终极的预测结果。实验证明NSpred的AUROC和AUPRC都明显优于其他六种药物-疾病关联预测方法。基于药物-疾病网络中的多尺度邻居拓扑信息和药物的多维相似性信息,带有卷积自动编码器(CAE)和图卷积自动编码器(GCN)的预测模型MGpred被提出。首先,基于多种药物相似性构建了三个异构网络,每个网络由药物和疾病节点以及它们的相似性和关联性连接组成,反应了特定的网络拓扑结构。我们也设计了一种嵌入机制来形成覆盖不同大小的邻居范围的多个嵌入。为不同的异构网络建立了不同的GCN模块,以对这些嵌入进行编码并得到节点的多尺度邻居拓扑表示。尺度层面的注意力机制被建立来整合有更高信息含量的特定尺度下的拓扑表示。为了整合药物的多维相似性,提出了相似性级别的注意力机制,为不同层面的相似性分配不同的权重。然后利用CAE来整合节点对的属性表示。综合实验结果展示了MGpred的性能优于几种最新的药物重定位模型。在五个药物上的案例研究以及不同k值下的召回率展示了MGpred预测可靠候选的能力。

关键词：药物-疾病关联预测图卷积自动编码器卷积自动编码器全连接自动编码器卷积神经网络元路径

来源：评论

学校读者我要写书评

暂无评论

基于多层面信息整合的药物重定位方法研究

基于多层面信息整合的药物重定位方法研究

引用

作者：陆子璇黑龙江大学

学位级别：硕士

新药的研发过程是一段极为消耗时间和成本的过程并且失败率很高。因此,确定现有药物的新适应症(药物重定位)可有效促进药物开发效率,降低实验研发的成本。然而,如何更加准确高效的预测药物与疾病之间的关联是我们所要研究的重点内容。目... 详细信息

新药的研发过程是一段极为消耗时间和成本的过程并且失败率很高。因此,确定现有药物的新适应症(药物重定位)可有效促进药物开发效率,降低实验研发的成本。然而,如何更加准确高效的预测药物与疾病之间的关联是我们所要研究的重点内容。目前,已有的药物重定位方法都侧重于有关药物和疾病的多源数据,并未考虑不同层面的信息之间的联系。本文通过针对药物和疾病的不同层面的信息进行学习和构建模型,其中包括药物和疾病节点对层面的节点属性信息、异构网层面的全局拓扑信息以及整合异构网层面的邻居拓扑信息和节点对层面的属性信息。我们分别提出了三种深度学习模型基于不同层面的信息来进行药物-疾病关联预测。与先前方法的对比实验表明,我们提出的三种方法都达到了最佳预测性能。我们的主要工作如下:(1)基于卷积自动编码器的药物与疾病关联预测方法在这部分研究中,对于药物和疾病节点对层面的节点属性信息,一种基于卷积自动编码器的预测方法(PAPred)被提出,用来提取和整合多种相似性和关联并对嵌入表示进行编码,以预测药物的相关候选疾病。首先,利用药物相关的化学子结构、蛋白的结构域和蛋白基因本体数据以及疾病特征数据分别构建了三个药物网络和疾病网络。节点对的属性嵌入策略是通过基于相似性层面的注意力的多个药物网络、疾病网络和药物-疾病关联信息提取了节点特征,并基于药物和疾病有关的生物学前提嵌入得到的。相似性层面的注意力可以为多个药物网络中节点的特征向量自适应的分配相应的权重,以有效地融合药物节点的多种相似性特征。最后,通过卷积自动编码器学习得到节点对的属性编码并使用分类器来获取药物与疾病关联预测的得分。在公共数据集上实验结果表明,PAPred的性能比其它几种较新的药物-疾病关联预测模型更好。此外,五种药物的案例研究进一步验证了PAPred发现有潜力的药物相关候选疾病的能力。(2)基于多路图卷积神经网络预测药物相关的疾病的方法在这一部分中,本文对药物和疾病节点异构网层面的全局拓扑信息进行了研究,并提出了一种基于多路图卷积神经网络的药物相关的疾病预测模型,GTPred。首先,利用从三种不同角度建立的药物网络和药物-疾病关联信息分别与疾病网络共同构建了三个药物-疾病异构网络。然后,多路的图卷积神经网络模型被建立,同时从不同的药物-疾病异构网络中分别提取不同的药物和疾病节点的全局拓扑表示矩阵。此外,基于不同来源的全局拓扑表示对药物-疾病关联预测的贡献不同,本文还提出了全局拓扑层面的注意力机制来学习药物和疾病节点的全局拓扑表示的增强矩阵。最后,利用了联合训练的方式使模型的嵌入表示学习保持一致,分类器预测出潜在的与药物相关的候选疾病。对比实验的结果显示,GTPred在AUC方面和AUPR方面都比其它几种对比方法有着更优越的性能,对药物相关的疾病的预测会更准确。另外,在五种药物的案例研究进一步证明,GTPred有能力发现具有潜力的药物相关候选疾病。(3)整合基于元路径的邻居拓扑和节点属性的药物与疾病关联预测方法本文在这一部分对整合异构网层面的邻居拓扑信息和节点对层面的属性信息进行了研究,从而提出了基于元路径的双重注意力机制和卷积神经网络的模型与基于卷积自动编码器的模型联合组成的双分支模型预测方法,NAPred。首先,使用了和GTPred相同的策略,利用从不同角度提取的与药物和疾病相关的相似性和关联构建了三个药物-疾病异构网络。然后,我们在一对药物和疾病之间提取了两个层次的表征,包括学习了多个邻居之间拓扑结构关系的元路径级别的邻居拓扑表征,以及揭示了常见的药物和疾病相关的数据源之间的潜在关系的节点对属性表征。邻居拓扑表征是通过多尺度的元路径、全连接神经网络和双重注意力机制分别从多种药物-疾病异构网络中获取的,并使用卷积神经网络进行了编码,以表示一对药物-疾病之间隐含的邻居拓扑结构关系。新的邻居尺度层面和邻居拓扑层面的注意力机制,以分别区分不同尺度的邻居特征和拓扑结构对药物-疾病预测的不同贡献。节点对属性表征是利用嵌入策略从多种药物-疾病异构网络中获取的,再由卷积自动编码器建模对药物-疾病对的属性信息进行编码。最后,通过对来自两个分支的预测分值进行加权求和得到最终的药物-疾病关联预测得分。实验结果表明,NAPred在多个评估标准和案例研究分析的结果中都取得了最好的表现,优于六种最先进的药物-疾病预测模型。

关键词：药物-疾病关联预测多种药物-疾病异构网络卷积自动编码器图卷积神经网络元路径卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于双层网络的microRNA和疾病关联预测方法研究

基于双层网络的microRNA和疾病关联预测方法研究

引用

作者：王栋黑龙江大学

学位级别：硕士

MicroRNAs(miRNAs)是一类长度约为22-24核苷酸的内源非编码RNA。大量研究表明miRNA和各种疾病的发生和发展存在密切的联系。因此识别与疾病相关的候选miRNA有助于探索疾病的发病机理。利用生物学实验的方法可以获得可靠的与疾病相关的候... 详细信息

MicroRNAs(miRNAs)是一类长度约为22-24核苷酸的内源非编码RNA。大量研究表明miRNA和各种疾病的发生和发展存在密切的联系。因此识别与疾病相关的候选miRNA有助于探索疾病的发病机理。利用生物学实验的方法可以获得可靠的与疾病相关的候选miRNA,然而这种方法耗时长、花销大。近年来越来越多的研究人员提出计算预测的方法来筛选有潜力的与疾病相关的候选miRNAs。然而,miRNA-疾病双层网中存在多种连接边并且这些连接边存在着非线性的复杂联系。先前的方法属于浅层的预测模型,无法深度挖掘这样的联系。此外,miRNA节点的属性特征,即miRNA所从属的家族和分簇信息也没有被深度整合。本文构建了一个带有节点属性的双层网来整合miRNA和疾病节点,以及这些节点之间的多种连接,以及miRNA节点的属性。提出了三个基于双层网络的miRNA-疾病关联预测方法,实验结果表明本文的模型在预测miRNA与疾病关联方面优于几个先前的方法。主要的贡献如下:(1)miRNA-疾病双层网中节点对邻居拓扑研究,本文提出一个基于生成对抗网络和卷积自动编码器的预测模型(简称GMDA),来编码和整合miRNA和疾病节点的多个表示。一个带有节点属性的双层异构网被建立来利于学习miRNA-疾病节点对层面的邻居拓扑表示。该网由多种连接边组成,来嵌入miRNA和疾病的相似性和关联以及miRNA相关的家族和分簇属性。节点对层面的邻居拓扑基于被提出的模型从该双层网中被学习。建立了基于卷积的自动编码和解码的生成器,来重构一对miRNA和疾病节点的邻居拓扑特征嵌入。编码器基于多层卷积层,编码得到节点对的邻居拓扑表示,然后基于多层反卷积的解码器重构节点对的邻居拓扑嵌入。建立了基于多层卷积的判别器,来判别生成器生成的假的邻居拓扑嵌入和原始真的拓扑嵌入。该判别策略有助于生成器生成尽可能真的邻居拓扑嵌入,以取得miRNA-疾病节点对的邻居拓扑表示。最后,构建了一个基于特征类别层面的注意力机制,来自适应的整合三种表示,并用于最终的miRNA-疾病关联预测。在公共数据集上进行测试,通过多个评估标准和案例研究分析发现GMDA均优于五个最新的miRNA-疾病预测模型。(2)miRNA-疾病双层网中网络表征学习研究,我们主要的目标是获得miRNA-疾病节点对的网络嵌入表示,因此,提出了一个基于网络表征学习的miRNA-疾病关联预测模型(简称NEMDA)。首先,采用与GMDA相同的策略,利用miRNA相似性、miRNA节点属性、疾病相似性以及它们之间的关联构建带有节点属性的双层网,用来嵌入miRNA与疾病节点对的邻居拓扑信息和节点的属性分布信息。通过多层卷积自动编码器来捕捉节点对的邻居拓扑信息,得到邻居拓扑的低维向量表示。通过多层卷积变分自动编码来学习miRNA和疾病节点的属性分布,将编码部分的输出作为节点属性分布的低维向量表示。然后,通过表示层面的注意力机制模块,自适应融合这两种表示和相应的miRNA家族和分簇信息。最后,通过全连接和1)8)(6层得到一对miRNA与疾病的关联得分。实验结果表明,NEMDA具有比其他几个miRNA-疾病关联预测模型更优越的性能。(3)miRNA-疾病双层网中拓扑结构以及属性信息研究,本文提出一个基于图卷积和生成网络的miRNA-疾病关联预测模型(简称DGMDA)。首先,构建一个双层异构网来整合miRNA和疾病节点,以及这些节点之间的多种连接关系,包括miRNA相似性、疾病相似性、miRNA和疾病关联。然后,引入了基于图卷积的节点对拓扑结构表示模块,来学习miRNA-疾病双层网中一对miRNA和疾病的拓扑结构信息。之后,通过基于生成对抗网络的节点对属性表示模块,学习节点对的原始属性信息,来生成节点对属性表示。最后,通过带有表示层面注意力机制的分值评估模块,来区别节点对的拓扑表示和属性表示之间的贡献并输出一对miRNA和疾病的关联预测得分。

关键词：带节点属性双层网 miRNA-疾病关联预测卷积自动编码器特征类别注意力机制生成对抗网络图卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的网络安全态势感知研究

基于深度学习的网络安全态势感知研究

引用

作者：李小涛西安电子科技大学

学位级别：硕士

近年来随着互联网技术的不断更新迭代,各种应用层出不穷,给人的生活带来了翻天覆地的变化,但同时网络安全问题也日益突出,时时刻刻提醒人们高度重视网络安全问题。防火墙、网络监控技术,杀病毒等传统网络安全技术都是针对网络攻击的被... 详细信息

近年来随着互联网技术的不断更新迭代,各种应用层出不穷,给人的生活带来了翻天覆地的变化,但同时网络安全问题也日益突出,时时刻刻提醒人们高度重视网络安全问题。防火墙、网络监控技术,杀病毒等传统网络安全技术都是针对网络攻击的被动防御性技术。网络安全态势感知是一种主动防御技术,它能够预先感知网络中可能存在的安全威胁,并采取相应的干预措施尽可能减少网络系统攻击事件的发生。本文结合深度学习在网络安全方面的应用优势,分别从态势评估和态势预测展开研究,具体工作如下:(1)提出了基于CAE-DNN-FL的网络攻击识别模型,并构建了基于网络攻击影响因子的态势指标体系。针对网络安全数据往往是高维、冗余的特点,首先利用自动编码器AE和卷积神经网络CNN在数据特征提取方面的优点,引入了卷积自动编码器CAE对网络安全数据进行特征提取,并通过深度神经网络DNN对特征提取之后的数据进行攻击识别;同时,为了解决网络安全数据分布不均衡的问题,引入Focal Loss损失函数,提高小样本(占比较少的样本种类)的权重,并加大对困难样本(难以学习数据分布特点的样本)的关注度;提出模型,并通过在NSL-KDD网络公开数据集上进行验证,实验表明所提模型在网络攻击识别方面具有优秀的表现;最后构建了基于网络攻击影响因子的态势指标体系,该方法通过综合一段时间内网络所受攻击情况来评估网络当前运行状况并进行量化,进而实现网络安全态势评估。(2)提出了基于时间卷积网络TCN的网络安全态势预测方法。在该方法中,首先,利用TCN网络结构的因果卷积充分使用网络安全态势序列的历史信息,规避了使用循环神经网络带来的缺陷,避免了历史信息的遗漏;另外,TCN结构中引入膨胀卷积扩大了卷积的感受野,解决了较长时间序列的依赖性问题;同时,通过在TCN结构中引入残差连接,较好的解决梯度消失和梯度爆炸的问题。实验表明,TCN网络在网络安全态势预测上误差小,准确率高,且在态势预测上整体优于其它经典预测模型。

关键词：态势评估态势预测卷积自动编码器 Focal Loss 时间卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于K线信息分类筛选的投资组合构建方案策划

基于K线信息分类筛选的投资组合构建方案策划

引用

作者：戚名煜上海师范大学

学位级别：硕士

当今社会步入新时代,后疫情时期我国率先走出疫情阴霾并开始全面发展。在金融股票投资方面,随着上市公司数量的增加,所带来的可用于分析的金融数据以及相关信息的总量在不断增加,而对股票市场中所有的股票信息进行深入研究构建投资组合... 详细信息

当今社会步入新时代,后疫情时期我国率先走出疫情阴霾并开始全面发展。在金融股票投资方面,随着上市公司数量的增加,所带来的可用于分析的金融数据以及相关信息的总量在不断增加,而对股票市场中所有的股票信息进行深入研究构建投资组合且长期获取稳定收益是比较困难的。因此本论文主要针对在投资组合构建中出现的一些问题,从马科维茨资产组合理论与特征K线信息理论出发,探索一种基于K线信息深度特征提取学习的构建优质投资组合的方案,并通过构建组合进行投资测试,与市场代表指数做收益对比,但研究内容并不涉及买卖时机选择、组合内股票权重分配以及后续组合管理等环节。首先通过卷积神经网络自编码器对股票K线图信息进行特征提取,特征K线的基本理论指出,特征向量蕴含股价变动的基本信息,把一只股的K线走势转变为向量,并且通过模块化方法把它们分别归类,就能够把一段时间内股票价格的走势相似的聚在一起,不同的走势分在不同的类别,让投资者一目了然达到马科维茨资产组合理论风险分散的目的,随后计算出各个类别中证券的夏普比率的高低,每组中找出一支合适的股票组成投资组合。随后进行投资组合收益测试,计算组合股票池中股票的平均收益,将其与对应指数对比,评价所构建股票池的优劣。分别计算5交易日周期、20交易日周期、40交易日周期、60交易日周期与120交易日周期交叉验证实验结果,同时证明模型获取K线信息的优越性,将本(自编码-模块化-夏普)实验与交叉验证最优同类实验控制变量对比,交叉验证结果表明随着投资持续期的加长,组合获取的收益也越高,仅在短蜡烛图像特征提取与长投资持续期的收益率净值为负收益,在其余测试持续期结果均能实现较好的收益性。

关键词：蜡烛图卷积自动编码器模块化聚类投资组合

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：