期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度强化学习的自适应股票交易策略
被引量：
2
1
作者
孙志磊
唐俊洋
+4 位作者
丰硕
刘炜
兰雪锋
张文珠
赵澄
《浙江工业大学学报》
CAS
北大核心
2024年第2期188-195,共8页
股票交易策略的制定在金融市场投资中起着至关重要的作用。为帮助投资者在多变复杂的股票市场作出最优决策,降低制定投资策略的难度,基于LSTM-SAC模型构建自适应股票交易策略。首先,将堆叠式长短期记忆网络(Long short-term memory,LSTM...
股票交易策略的制定在金融市场投资中起着至关重要的作用。为帮助投资者在多变复杂的股票市场作出最优决策,降低制定投资策略的难度,基于LSTM-SAC模型构建自适应股票交易策略。首先,将堆叠式长短期记忆网络(Long short-term memory,LSTM)预测的股票收益率与股票历史数据相结合来表示市场状况;其次,根据观测的市场信息强化学习智能体,基于自动熵调节(Soft actor-critic,SAC)进行自我交易决策调整以适应市场变化;最后,以微分夏普比率作为智能体学习的目标函数以平衡利益和风险,同时优化交易频率以降低交易成本。研究结果表明:相较于其他股票交易策略,该策略在道琼斯30和上证50市场均具有较高的年化收益,验证了其在不同市场的有效性和稳定性。
展开更多
关键词
深度强化学习
股票交易策略
堆
叠
式
长短期
记忆
网络
柔性演员评论家
在线阅读
下载PDF
职称材料
基于层级注意力模型的视频序列表情识别
被引量：
3
2
作者
王晓华
潘丽娟
+3 位作者
彭穆子
胡敏
金春花
任福继
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2020年第1期27-35,共9页
长短期记忆网络(LSTM)广泛应用于视频序列的人脸表情识别,针对单层LSTM表达能力有限,在解决复杂问题时其泛化能力易受制约的不足,提出一种层级注意力模型:使用堆叠LSTM学习时间序列数据的分层表示,利用自注意力机制构建差异化的层级关系...
长短期记忆网络(LSTM)广泛应用于视频序列的人脸表情识别,针对单层LSTM表达能力有限,在解决复杂问题时其泛化能力易受制约的不足,提出一种层级注意力模型:使用堆叠LSTM学习时间序列数据的分层表示,利用自注意力机制构建差异化的层级关系,并通过构造惩罚项,进一步结合损失函数优化网络结构,提升网络性能.在CK+和MMI数据集上的实验结果表明,由于构建了良好的层次级别特征,时间序列上的每一步都从更感兴趣的特征层级上挑选信息,相较于普通的单层LSTM,层级注意力模型能够更加有效地表达视频序列的情感信息.
展开更多
关键词
视频序列
人脸表情识别
堆叠长短期记忆网络
自注意力机制
在线阅读
下载PDF
职称材料
基于再编码的无监督时间序列异常检测模型
被引量：
9
3
作者
尹春勇
周立文
《计算机应用》
CSCD
北大核心
2023年第3期804-811,共8页
针对时间序列的数据不平衡和高度复杂的时间相关性导致的异常检测准确率低的问题,以生成对抗网络(GAN)作为基础提出一种基于再编码的无监督时间序列异常检测模型RTGAN。首先,使用具有周期一致性的多个生成器保证生成样本的多样性,从而...
针对时间序列的数据不平衡和高度复杂的时间相关性导致的异常检测准确率低的问题,以生成对抗网络(GAN)作为基础提出一种基于再编码的无监督时间序列异常检测模型RTGAN。首先,使用具有周期一致性的多个生成器保证生成样本的多样性,从而学习不同的异常模式;其次,使用堆叠式LSTM-dropout RNN捕获时间相关性;然后,使用二次编码在潜在空间中比较生成样本和真实样本之间的差异,并将此差异作为再编码误差当作异常分数的一部分,从而提高异常检测的准确率;最后,使用新的异常分数对单变量和多变量时间序列数据集进行异常检测。将所提模型与七种基线异常检测模型在单变量和多变量时间序列上进行了比较。实验结果表明,所提模型在所有数据集上均获得了最高的平均F1值(0.815),并且总体性能分别比原始自编码器(AE)模型Dense-AE和最新的基准模型USAD高出36.29%和8.52%。通过不同的信噪比(SNR)检测模型的健壮性,结果表明所提模型一直优于LSTM-VAE、USAD和OmniAnomaly,尤其在SNR为30%情况下,RTGAN的F1值分别比USAD和OmniAnomaly高出13.53%和10.97%。可见所提模型能有效提高异常检测的准确率和鲁棒性。
展开更多
关键词
生成对抗
网络
异常检测
时间序列
堆
叠
式
长短期
记忆
网络
自编码器
再编码
在线阅读
下载PDF
职称材料
题名
基于深度强化学习的自适应股票交易策略
被引量：
2
1
作者
孙志磊
唐俊洋
丰硕
刘炜
兰雪锋
张文珠
赵澄
机构
浙江工业大学计算机科学与技术学院、软件学院
浙江工业大学机械工程学院
浙江工业大学经济学院
浙江工业大学信息化办公室
浙江万安科技股份有限公司
出处
《浙江工业大学学报》
CAS
北大核心
2024年第2期188-195,共8页
基金
国家自然科学基金资助项目(61902349)。
文摘
股票交易策略的制定在金融市场投资中起着至关重要的作用。为帮助投资者在多变复杂的股票市场作出最优决策,降低制定投资策略的难度,基于LSTM-SAC模型构建自适应股票交易策略。首先,将堆叠式长短期记忆网络(Long short-term memory,LSTM)预测的股票收益率与股票历史数据相结合来表示市场状况;其次,根据观测的市场信息强化学习智能体,基于自动熵调节(Soft actor-critic,SAC)进行自我交易决策调整以适应市场变化;最后,以微分夏普比率作为智能体学习的目标函数以平衡利益和风险,同时优化交易频率以降低交易成本。研究结果表明:相较于其他股票交易策略,该策略在道琼斯30和上证50市场均具有较高的年化收益,验证了其在不同市场的有效性和稳定性。
关键词
深度强化学习
股票交易策略
堆
叠
式
长短期
记忆
网络
柔性演员评论家
Keywords
deep reinforcement learning
stock trading strategy
stacked long short-term memory
soft actor-critic
分类号
TP391 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于层级注意力模型的视频序列表情识别
被引量：
3
2
作者
王晓华
潘丽娟
彭穆子
胡敏
金春花
任福继
机构
合肥工业大学计算机与信息学院人工智能学院
淮阴工学院江苏省物联网移动互联技术工程实验室
德岛大学先端技术科学教育部
出处
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2020年第1期27-35,共9页
基金
国家自然科学基金(61672202)
国家自然科学基金重点项目(61432004)
江苏省物联网移动互联技术工程实验室开放课题(JSWLW-2017-017)
文摘
长短期记忆网络(LSTM)广泛应用于视频序列的人脸表情识别,针对单层LSTM表达能力有限,在解决复杂问题时其泛化能力易受制约的不足,提出一种层级注意力模型:使用堆叠LSTM学习时间序列数据的分层表示,利用自注意力机制构建差异化的层级关系,并通过构造惩罚项,进一步结合损失函数优化网络结构,提升网络性能.在CK+和MMI数据集上的实验结果表明,由于构建了良好的层次级别特征,时间序列上的每一步都从更感兴趣的特征层级上挑选信息,相较于普通的单层LSTM,层级注意力模型能够更加有效地表达视频序列的情感信息.
关键词
视频序列
人脸表情识别
堆叠长短期记忆网络
自注意力机制
Keywords
video sequences
facial expression recognition
stacked long short-term memory network
self-attention mechanism
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于再编码的无监督时间序列异常检测模型
被引量：
9
3
作者
尹春勇
周立文
机构
南京信息工程大学计算机与软件学院
出处
《计算机应用》
CSCD
北大核心
2023年第3期804-811,共8页
文摘
针对时间序列的数据不平衡和高度复杂的时间相关性导致的异常检测准确率低的问题,以生成对抗网络(GAN)作为基础提出一种基于再编码的无监督时间序列异常检测模型RTGAN。首先,使用具有周期一致性的多个生成器保证生成样本的多样性,从而学习不同的异常模式;其次,使用堆叠式LSTM-dropout RNN捕获时间相关性;然后,使用二次编码在潜在空间中比较生成样本和真实样本之间的差异,并将此差异作为再编码误差当作异常分数的一部分,从而提高异常检测的准确率;最后,使用新的异常分数对单变量和多变量时间序列数据集进行异常检测。将所提模型与七种基线异常检测模型在单变量和多变量时间序列上进行了比较。实验结果表明,所提模型在所有数据集上均获得了最高的平均F1值(0.815),并且总体性能分别比原始自编码器(AE)模型Dense-AE和最新的基准模型USAD高出36.29%和8.52%。通过不同的信噪比(SNR)检测模型的健壮性,结果表明所提模型一直优于LSTM-VAE、USAD和OmniAnomaly,尤其在SNR为30%情况下,RTGAN的F1值分别比USAD和OmniAnomaly高出13.53%和10.97%。可见所提模型能有效提高异常检测的准确率和鲁棒性。
关键词
生成对抗
网络
异常检测
时间序列
堆
叠
式
长短期
记忆
网络
自编码器
再编码
Keywords
Generative Adversarial Network(GAN)
anomaly detection
time series
stacked Long Short-Term Memory(LSTM)network
AutoEncoder(AE)
re-encoding
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度强化学习的自适应股票交易策略
孙志磊
唐俊洋
丰硕
刘炜
兰雪锋
张文珠
赵澄
《浙江工业大学学报》
CAS
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
基于层级注意力模型的视频序列表情识别
王晓华
潘丽娟
彭穆子
胡敏
金春花
任福继
《计算机辅助设计与图形学学报》
EI
CSCD
北大核心
2020
3
在线阅读
下载PDF
职称材料
3
基于再编码的无监督时间序列异常检测模型
尹春勇
周立文
《计算机应用》
CSCD
北大核心
2023
9
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
