本发明涉及循环神经网络领域,特别涉及一种基于循环神经网络股市分析模型的工作方法。
背景技术:
循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归,且所有节点(循环单元)按链式连接的递归神经网络。
西班牙神经生物学家发现大脑皮层的解剖结构允许刺激在神经回路中循环传递,并由此提出反响回路假设。该假说在同时期的一系列研究中得到认可,被认为是生物拥有短期记忆的原因。随后神经生物学的进一步研究发现,反响回路的兴奋和抑制受大脑阿尔法节律调控,并在阿尔法运动神经中形成循环反馈系统。在二十世纪70-80年代,为模拟循环反馈系统而建立的各类数学模型为循环神经网络的发展奠定了基础,在进行循环神经网络股市分析模型的工作时,现有的工作方法不明确,导致模型在分析时,结果偏差大,因此需要一种循环神经网络股市分析模型的工作方法。
技术实现要素:
本发明的目的在于提供一种基于循环神经网络股市分析模型的工作方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于循环神经网络股市分析模型的工作方法,包括以下步骤:
s1:对股市数据进行收集,且进行数据的分析和整理,对数股市数据的特征值进行提取,定义特征值为x,且按照序列输入学习数据x={x1,x2,...,xτ}:
s2:建立股市数据分析的循环神经网络,循环神经网络的循环单元为:h(t)=f(s(t-1),x(t),θ),式中h称为循环神经网络的系统状态,在动力系统的观点下,系统状态描述了一个给定空间中所有点随时间步的变化,s是内部状态,与系统状态有关s=s(h,x,y),按照时间步的变化进行股市数据系统状态的描述;
s3:给定股市的学习数据和分类标签:x={x1,x2,...,xτ},y∈{1,...,c},序列分类器中循环单元的输出节点直接通过分类器,常见的选择是使用最后一个时间步的输出节点
s4:循环神经网络与卷积神经网络相结合,将卷积神经网络的卷积层替换为内部具有递归结构的循环卷积层,并按前馈连接建立深度结构;
s5:对股市分析出的数据进行整理,通过改变特征值进行多次计算和分析,对分析结果进行比较。
优选的,循环神经网络使用共享的权重计算所有时间步的输出。
优选的,序列分类器使用全连接结构。
优选的,在输入股市特征数据和股市中需要学习目标都为序列且长度可变时,可以使用两个相耦合的基于上下文连接的循环神经网络,即编码器-解码器进行建模,给定嵌入的原始文本和翻译文本
优选的,序列-序列的输出模式中,序列的每个时间步对应一个输出,即输入和输出的长度相同,给定学习目标y={y1,...,yτ},序列-序列的输出模式在每个时间步都输出结果y(t)=g(o(t)),应用于股市数据标注和文本的生产。
本发明的技术效果和优点:首先对股市数据进行特征值的提取,然后在进行股市数据分析的循环神经网络建立,通过建立的循环神经网络进行分析,其次定股市的学习数据和分类标签进行股市数据的分析,最后通过循环神经网络和卷积神经网络相结合进行分析,提高了分析的效率和分析的准确率。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种基于循环神经网络股市分析模型的工作方法:
对股市数据进行收集,且进行数据的分析和整理,对数股市数据的特征值进行提取,定义特征值为x,且按照序列输入学习数据x={x1,x2,...,xτ},建立股市数据分析的循环神经网络,循环神经网络的循环单元为:h(t)=f(s(t-1),x(t),θ),式中h称为循环神经网络的系统状态,在动力系统的观点下,系统状态描述了一个给定空间中所有点随时间步的变化,s是内部状态,与系统状态有关s=s(h,x,y),按照时间步的变化进行股市数据系统状态的描述,给定股市的学习数据和分类标签:x={x1,x2,...,xτ},y∈{1,...,c},序列分类器中循环单元的输出节点直接通过分类器,常见的选择是使用最后一个时间步的输出节点
循环神经网络使用共享的权重计算所有时间步的输出,序列分类器使用全连接结构,在输入股市特征数据和股市中需要学习目标都为序列且长度可变时,可以使用两个相耦合的基于上下文连接的循环神经网络,即编码器-解码器进行建模,给定嵌入的原始文本和翻译文本
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。