Скачать презентацию
Идет загрузка презентации. Пожалуйста, подождите
Презентация была опубликована 11 лет назад пользователемlvk.cs.msu.su
1 Семинар «Синтез архитектур и планирование вычислений»
2 Костенко Валерий Алексеевич ауд Наука Направления Синтез и планирование Учёба Семинары Синтез и планирование
3 Вычислительные системы реального времени
4 Структура системы Процессор Интерфейс экипажа Интерфейс ЦУП … Среда передачи данных MIL-STD 1553B или Fibre Channel Подсистема электропитания Подсистема термоконтроля Подсистема радиолокации … контроллеры ЦАП/АЦП 1уровень1уровень 2 уровень 3 уровень
5 Структурный синтез и планирование вычислений в системах реального времени Построение расписаний (при заданной структуре системы) решения функциональной задачи выполнения набора прикладных программ передачи сообщений совместное планирование вычислений и обменов Структурный синтез системы выбор кол-ва и типов вычислительных модулей выбор типов подсистем построение среды обменов
6 Машинное обучение и интеллектуальный анализ данных Синтез архитектуры и обучение нейросетей прямого распространения Обнаружение предаварийных режимов работы технических систем (методы основанные на идеях аксиоматического подхода) Автоматизация в электронных торговых системах
7 Методы и инструментальные средства построения алгоритмов для решения задач оптимизации Поддерживает алгоритмы основанные: на генетических и эволюционных схемах на схеме имитации отжига на схеме муравьиных колоний на жадных стратегиях на стратегиях ограниченного перебора на методах наискорейшего спуска гибридные алгоритмы
8 Чем придется заниматься? Содержательная постановка задачи Формальная постановка задачи Анализ задачи и возможных методов ее решения Разработка алгоритма Реализация и исследование свойств алгоритма Апробация и внедрение алгоритма
9 О спецсеминаре Характер работы – теоретико-прикладной Дипломная работа как задел для диссертации. За 10 лет работы: защита дипломных работ: «3» - нет, «4» - 2, остальные - «5» студентами семинара опубликовано > 40 печатных работ многие дипломных работ отмечались как лучшие на факультете Внедрение результатов: STMicroelectroniks, Samsung, ОКБ «Сухого», ЦНИИ«Электроприбор», НИИ ВК.
10 Совместное планирование вычислений и обменов Пётр Шестов аспирант 1 года обучения
11 Структура системы Процессор Интерфейс экипажа Интерфейс ЦУП … Среда передачи данных MIL-STD 1553B или Fibre Channel Подсистема электропитания Подсистема термоконтроля Подсистема радиолокации … контроллеры ЦАП/АЦП 1уровень1уровень 2 уровень 3 уровень
12 Сообщения Работа – работа Работа – подсистема Подсистема – работа Подсистема – подсистема Характеристики сообщений фиксированы
13 Задача По заданным наборам работ и сообщений построить согласованные расписания выполнения работ на процессорах первого уровня и расписания передачи сообщений
14 Исходные данные: работы Директивный интервал Сложность Набор допустимых процессоров Набор сообщений, передающих данные работе/от работы
15 Расписание вычислений Множество троек вида Ограничения: Реальное время Процессоры – однозадачные без прерываний Каждая работа запланирована на допустимый процессор
16 Исходные данные : сообщения Набор работ и/или подсистем, принимающих сообщение Набор работ или подсистема, передающие сообщение Директивный интервал Длина в словах
17 Расписание обменов Множество пар вида Ограничения: Реальное время Ограничения среды передачи
18 Ограничения MIL-STD 1553B резерв в конце п/ц длина цепочки отступ
19 Ограничение коммутируемой среды Каждый порт участвует не более чем в одном обмене в каждый момент времени
20 Зависимость по данным A W M A A W M M M M W A A M in M out W in W out
21 Совместное расписание Пара расписаний вычислений и обменов Ограничения: Ограничения обоих расписаний Ограничения на совместимость Ограничение на порядок работ и сообщений «in-множества»
22 Формальная постановка
23 Способы решения Отдельное построение расписаний Рассматривать сообщения как работы Жадные схемы, метод ветвей и границ, … Планирование подграфов
24 Машинное обучение и интеллектуальный анализ данных Дмитрий Коваленко аспирант 3 года обучения
25 Введение Распознавание нештатных ситуаций по показаниям датчиков. В условиях, когда о тсутствуют подходящие алгоритмы распознавания, так как : физическая модель не известна (мозг человека) модель существует, но обладает слишком высокой сложностью (движущийся шестиногий робот) модель существует, но не устойчива к шумам датчиков (жидкостные ракетные двигатели)
26 Метод решения подобных задач 1. Наблюдение за системой, формирование набора прецедентов. 2. Обучение алгоритма распознавания не путем кодирования точных инструкций, а путем показа, как алгоритм должен работать на примерах. 1 класс нештатного поведения 2 класс нештатного поведения,,
27 Машинное обучение С учителем Есть объекты и «правильные ответы» на них – построить «связь» Например, есть гистограммы цветов ночных и дневных изображений, требуется построить правило по которым их можно отличать Без учителя Есть данные, нужно сделать о них какие-то выводы Например, есть гистограмма цветов изображения, требуется выделить несколько основных цветов изображения «На лету» Обучение происходит во время работы
28 Применение Медицина: диагностика; Финансы: скоринг, обнаружение подделок; Сети: поисковые системы; Маркетинг: прогнозы продаж, связь с потребителем; Производство: дефектоскопия, оптимизация; Телекоммуникации: оптимизация качества сервиса; Машинное зрение; Обнаружение нештатного поведения сложных технических систем.
29 Данные о системе Информация доступна в виде траекторий в фазовом пространстве показаний датчиков системы: где: – точка в фазовом пространстве Система может демонстрировать: Нормальное поведение Нештатное поведение – может быть несколько классов, причем, для каждого известна характерная траектория.
30 Задача распознавания нештатного поведения Дано: Наблюдаемая траектория N классов нештатного поведения: Характерные траектории Требуется: Выделить участки вхождения траекторий в Число ошибок I и II рода ограничено наперед заданными константами.
31 Элементарное условие – условие, накладываемое на точку и некоторую ее окрестность в траектории. Аксиома – булева формула от элементарных условий. Система аксиом – упорядоченная совокупность аксиом.... Аксиома Аксиомы в порядке уменьшения приоритета Аксиоматический подход Аксиома
32 Пример системы аксиом 12 Аксиомы в порядке уменьшения приоритета {1,2,3,4,5,6,0}
33 Аксиоматический подход Аксиома размечает точку траектории – значит условия аксиомы выполняются в данной точке траектории. Характерные траектории:
34 Дано: Множество элементарных условий Обучающая выборка : Задача построения алгоритма распознавания траектория нормального поведения 1 класс нештатного поведения 2 класс нештатного поведения,,,
35 Построить алгоритм распознавания, который удовлетворяет: 1. Локальным ограничениям: должен выдавать на обучающей выборке заданные ответы. 2. Требованиям к обобщающей способности: должен выдавать минимальное число ошибок на контрольной выборке. ( ) 3. Сложность алгоритма распознавания должна быть меньше заданного порога. Требуется:
36 Сравнение с существующими алгоритмами распознавания Тип алгоритма распознавания Число ошибок первого рода Процент ошибок второго рода Нейронные сети145320% Singular Spectrum Analysis (SSA) % Преобразования Фурье33135% Вейвлет- преобразования % Алгоритм на основе метрики 51033% Dynamic Time Warping57829% Аксиоматический подход 732% Параметры исходных данных: Длина траектории – отсчетов. Искажения: по времени < 35%, по амплитуде < 25%. Число траекторий нештатного поведения: 100.
37 Автоматизация в электронных торговых системах Константин Савенков
38 Электронные торговые системы Продавцы Товар Деньги Покупатели Деньги Товар Транзакции Сервер брокера «биржевой стакан» ПродажаЦенаПокупка И н ф о р м а ц и я
39 Системы обратного тестирования (бэктестинга) Задача – оценить на исторических данных эффективность биржевой стратегии; Казалось бы, всё просто: смотрим на последовательность заявок, меняем брокерский счёт; На деле: необходимо применять моделирование. Сервер брокераТорговая площадка выставление История торгов Трейдер или МТС страт егия счёт
40 Пилотная версия реализована в году, Статья с результатами работы принята на World Finance Conference (май 2010). Есть множество направления развития. Системы обратного тестирования (бэктестинга)
41 Механические торговые системы Заявки генерируются алгоритмом на основе анализа котировок; Для валидации такой системы необходим бэктестинг; Проблема большинства подобных систем – привязка к конкретной торговой платформе и ограниченные возможности тестирования и оптимизации; Идея: создание open-source фреймворка для разработки МТС, выполняющего бэктестинг и оптимизацию торговых стратегий, с прозрачной интеграцией полученной МТС с торговыми терминалами.
42 Использование аксиоматического подхода к разметке котировок Реальная задача с высокими требованями к производительности и объёмам данных Цель – создание базы для применения фрактальных методов анализа биржевых данных Адаптация и модернизация аксиоматического подхода: Построение системы аксиом, Оптимизация производительности, Гибкие механизмы абстракции данных, Аксиомы, заданные в точках => Аксиомы на интервалах.
43 Фракталы – это не только красивые картинки, фрактальной структурой обладают временные ряды многих физических и социальных процессов; Фракталы описываются рекурсивными структурами; Для описания фракталов можно применять формальные грамматики (см. Blanc-Talon); Тогда задача выделения фрактальной структуры временного ряда можно свести к задаче автоматического построения формальной грамматики по (зашумлённому) набору слов языка (см. Vidal, Angluin, Dupont); Задача в настоящее время не решена и в общем случае вряд ли разрешима; Поиск практически важных разрешимых случаев, разработка алгоритмов, описание области применимости. Автоматическое выделение фрактальной структуры временного ряда
44 Построение профилей поведения рынка Анализ котировок (потока транзакций) => Анализ стакана и потока транзакций, Построение модели «стимул-реакция», Оценка влияния заявки на рынок, Построение профилей поведения участников рынка, Определение состояния, в котором находятся участники.
45 Оптимизация исполнения приказов Приказ брокеру – продать N единиц товара в период не дешевле, чем Доход брокера – Если есть верный прогноз – задача решается элементарно, Можно ли решить задачу, не полагаясь на прогнозы? Эвристики? Для какого AVG_P? Необходима оценка влияния заявки на рынок (предыдущий слайд).
46 Спасибо за внимание!
Еще похожие презентации в нашем архиве:
© 2024 MyShared Inc.
All rights reserved.