Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Knowledge Discovery in Dynamic Data Using Neural Networks

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17310%2F15%3AA1601ESJ" target="_blank" >RIV/61988987:17310/15:A1601ESJ - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Knowledge Discovery in Dynamic Data Using Neural Networks

  • Popis výsledku v původním jazyce

    The paper proposes a new approach to implement common neural network algorithms in the network environment. In our experimental study we have used three different types of neural networks based on Hebb, daline and backpropagation training rules. Our goalwas to discover important market (Forex) patterns which repeatedly appear in the market history. Developed classifiers based upon neural networks should effectively look for the key characteristics of the patterns in dynamic data. We focus on reliability of recognition made by the described algorithms with optimized training patterns based on the reduction of the calculation costs. To interpret the data from the analysis we created a basic trading system and trade all recommendations provided by the neural network.

  • Název v anglickém jazyce

    Knowledge Discovery in Dynamic Data Using Neural Networks

  • Popis výsledku anglicky

    The paper proposes a new approach to implement common neural network algorithms in the network environment. In our experimental study we have used three different types of neural networks based on Hebb, daline and backpropagation training rules. Our goalwas to discover important market (Forex) patterns which repeatedly appear in the market history. Developed classifiers based upon neural networks should effectively look for the key characteristics of the patterns in dynamic data. We focus on reliability of recognition made by the described algorithms with optimized training patterns based on the reduction of the calculation costs. To interpret the data from the analysis we created a basic trading system and trade all recommendations provided by the neural network.

Klasifikace

  • Druh

    J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

  • CEP obor

    IN - Informatika

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2015

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Cluster Computing-The Journal of Networks Software Tools and Applications

  • ISSN

    1386-7857

  • e-ISSN

  • Svazek periodika

    18

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    US - Spojené státy americké

  • Počet stran výsledku

    11

  • Strana od-do

    1411-1421

  • Kód UT WoS článku

    000365236800008

  • EID výsledku v databázi Scopus

    2-s2.0-84944534720