基于GA的GMDH选择性集成及在煤炭价格系统模型中的应用

首先给出了一种通过对样本数据进行惩罚性划分,产生彼此之间具有差异性的GMDH 学习器集合,然后利用遗传算法从已产生的GMDH个体集合中选择最优的个体进行选择性集成的算法,并将该方法应用于煤炭价格系统的实践研究. 结果表明这种采用遗传算法选择性集成惩罚性GMDH个体的算法,与单个GMDH算法和采用遗传算法选择性集成随机性GMDH个体的算法相比,明显提高了模型的泛化能力和稳定性. 该方法很好地给出了煤炭价格系统的模型,能够准确预测煤炭价格的变动趋势.     

AC算法的EMD分解GMDH组合的预测模型及应用

引入EMD把含有多个震荡模式的数据分解为满足一定条件的多个单一震荡模式分量的线性叠加,对震荡模式分量应用非参数的AC算法,通过历史上相似时期的已知延拓进行预测,利用GMDH客观确定权重构建组合预测模型,并运用该模型结合原油期货数据进行实证。结果表明:用EMD方法改进AC预测模型提高了预测的准确性,在此基础上,GMDH的智能化权重的组合预测模型进行预测,结果显示,AC算法的EMD分解GMDH智能化权重组合预测精度更高。     

用GMDH算法辨识空空弹的非线性多项式模型

本文介绍辩识空空弹的非线性多项式模型系数的方法。多项式模型的结构用GMDH算法确定,该算法的数据库仅由输入输出变量值组成。GMDH算法形成一个以较少的几个非线性多项式为核心的网络,这几个多项式就是它的模型。最后得到的模型是系统的多变量三阶表达式。     

国债利率期限结构模型的实证比较

采用上交所国债数据对利率期限结构的4种构造模型进行较系统的横向对比实证。结果表明多项式样条法、B-样条法在价格拟合度方面占有明显优势；而Nelson—Siegel模型和Svennson模型构造的利率期限结构规范性较好，但其价格拟合度牺牲较多，其结果与债券市场隐含的期限结构有一定差异；B-样条法在利率期限结构的拟合精度、曲线光滑性及平稳性方面的综合效果最好。应用B-样条法对整个样本期国债交易数据的跟踪计算结果表明，该模型算法稳定可靠，能够精确有效地追踪国债利率期限结构的系统性变动，最适合作为当前债券利率期限结构的构造模型。     

基于GMDH-PSO-LSSVM的国际碳市场价格预测

针对国际碳市场价格预测LSSVM建模输入节点和模型参数难以确定的问题, 建立了基于数据分组处理方法(GMDH)-粒子群算法(PSO)-最小二乘支持向量机(LSSVM)的国际碳市场价格预测模型. 首先利用GMDH算法获得LSSVM建模中的输入变量; 其次应用PSO算法对LSSVM建模中的参数进行优化, 进而使用训练好的LSSVM模型对测试样本进行预测; 最后采用该模型对欧盟排放交易体系(EU ETS)两个不同到期时间的碳期货价格(DEC 10和DEC 12)进行实证分析, 取得了令人满意的效果.     

符号回归的一种新算法

基于头身尾三段结构的基因表达式程序设计方法,提出一种改进算法。新算法有三大改进:(1)采用模拟退火选择策略避免早熟;(2)用基因库技术保存优势基因,既加速了算法的收敛性,又提高了解的质量;(3)使用二次演化进一步提高解的精度。符号回归实验结果表明,新算法比原基因表达式程序设计算法和遗传程序设计算法收敛更快,精度更高。     

债券利率期限结构的构造方法与实证检验

在分析利率期限结构的多种构造方法的基础上,运用上交所国债数据对其中常用的4种构造模型进行较系统的实证对比检验。结果表明,多项式样条法和B-样条法在价格拟合度方面占有明显优势,而N elson-S iegel模型和Svennson模型构造的利率期限结构规范性较好;B-样条法在利率期限结构的拟合精度、曲线光滑性及平稳性方面的综合效果最好。对上交所债券数据的跟踪计算表明,B-样条法算法稳定可靠,能够准确及时地反映国债利率期限结构的变动特征,推荐作为当前债券利率期限结构的构造方法。     

考虑投资者情绪的GARCH-改进神经网络期权定价模型北大核心CSCDCSSCI

提出了一种考虑投资者情绪的基于改进粒子群算法优化的BP神经网络,并结合GARCH模型用于预测欧式期权价格。引入单点变异算子来提升传统粒子群算法的寻优能力,并通过改进后的算法来优化BP神经网络的结构与相应参数。利用GARCH模型估计权证股票价格的历史波动率,并将其作为改进神经网络模型的输入变量之一。最后,进一步考虑投资者情绪对期权价格的影响,通过构造剔除了基本因素的投资者情绪复合指标,并融入改进后的神经网络中。选取包括鞍钢JTC1在内的10支国内认购权证的收盘价格进行实证研究。结果表明,该模型的收敛速度与预测精度优于传统的BP神经网络以及B-S模型,考虑投资者情绪的影响后,预测结果更贴近实际情况。     

考虑投资者情绪的GARCH-改进神经网络期权定价模型

提出了一种考虑投资者情绪的基于改进粒子群算法优化的BP神经网络,并结合GARCH模型用于预测欧式期权价格。引入单点变异算子来提升传统粒子群算法的寻优能力,并通过改进后的算法来优化BP神经网络的结构与相应参数。利用GARCH模型估计权证股票价格的历史波动率,并将其作为改进神经网络模型的输入变量之一。最后,进一步考虑投资者情绪对期权价格的影响,通过构造剔除了基本因素的投资者情绪复合指标,并融入改进后的神经网络中。选取包括鞍钢JTC1在内的10支国内认购权证的收盘价格进行实证研究。结果表明,该模型的收敛速度与预测精度优于传统的BP神经网络以及B-S模型,考虑投资者情绪的影响后,预测结果更贴近实际情况。     

一类基于不定性复杂系统的粗糙GMDH模型及实证分析

将粗糙集的概念引入到GMDH(GroupMethodofDataHandling)数据挖掘中,将前馈网络中各层各模型的系数估计,转化为不定性规划和线性规划,构建了建模研究的粗糙GMDH方法,从而在一定程度上增强了复杂系统模型的分析和预测能力.借助于决策者的主观经验对信息的补充、完善及整合,甚而对样本容量的要求可降低到仅为1的水平,拓宽了不定性复杂系统的小样本建模能力.同时,考虑到复杂系统本身对人机交互的自然要求和决策者主观经验和偏好的挖掘问题,在粗糙GMDH中引入了实验方法,设计出探索复杂系统研究的RGMDH(RoughtGroupMehtodofDataHandling)人机交互挖掘系统,由系统的运行为决策者在模型精度、信息冗余、信息缺失风险三重抉择中提供更完整的信息,从而解决决策者信息偏好非结构化而导致的三重抉择难以做出的问题.最后,本文对动态环境中高技术公司核心能力与经济绩效关系进行了探讨,作为粗糙GMDH模型的算法例释.     

基于自组织算法的股市预测

在简要地介绍GMDH算法的基础上,讨论了基于自组织算法的股市预测问题。建立带移动平均的预测模型,使预测值可以逐个地得到。以上证指数为应用实例,实验结果表明了GMDH算法在股市预测中的有效性。     

基于自组织理论的自组织多项式网络算法

自组织多项式网络是采用神经网络的思路结合生物控制论和自组织特征映射理论而导出的一种新型网络算法,该算法在寻求模型参数的最优组合上的自组织特征及通过层层搜索误差最小点的功能,使其在用于非线性映射的拟合中体现了较强的优越性．开发的软件应用表明,该算法较ＧＭＤＨ算法及一般网络算法具有更高的精度拟合．     

地面站数传系统的RBFNN模型及算法

针对难以建立精确数学模型的地面站数传系统,提出改进梯度迭代学习的径向基神经网络建模方法。改进梯度学习算法通过训练样本相关性矩阵的主成分分析确定网络隐含层初始节点数;改进迭代过程中网络参数的梯度信息计算方式,加快了迭代收敛速度;并增加结构调整过程,实现对网络规模的精简。通过采集地面站数传系统输入-输出数据,将改进梯度学习算法应用于网络离线训练,并给出具体实现步骤。地面站数传资源配置优化实例验证了模型具有较高泛化能力,且算法稳定性较佳。     

基于BP 神经网络的煤与瓦斯突出预测方法的研究

为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

基于M-ANFIS-PNN的目标威胁评估模型

目标威胁评估的目的是根据目标的属性和状态信息对目标的威胁程度进行定量估计,为后续作战决策提供辅助支持。现有威胁评估模型大多依赖于数值信息,难以有效处理包含定性、定量数据的目标特征信息。基于此,提出一种改进的自适应模糊神经推理系统模型。在自适应模糊神经推理系统的基础上,引入前件影响矩阵和后件影响矩阵对定性数据进行处理,使得定量、定性数据的影响同时作用于模糊规则的前件参数和后件参数;为了进一步提高模型的输出精度,将自适应模糊神经推理系统的输出层替换为多项式神经网络;通过基于Gower距离的近邻传播聚类算法对改进模型进行结构辨识,确定模糊规则的初始参数。仿真实例验证了所提方法的有效性与可行性,与其他混合属性数据建模方法相比,所提方法具有较高的预测精度,可为作战指挥决策提供有效的辅助支持。     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

GMDH-Based Outlier Detection Model in Classi?cation Problems

In many practical classification problems, datasets would have a portion of outliers, which could greatly affect the performance of the constructed models. In order to address this issue, we apply the group method of data handing(GMDH) neural network in outlier detection. This study builds a GMDH-based outlier detection(GOD) model. This model first implements feature selection in the training set L using GMDH neural network. Then a new training set L can be obtained by mapping the selected key feature subset. Next, a linear regression model can be constructed in the set L by ordinary least squares estimation. Further, it eliminates a sample from the set L randomly every time, and then rebuilds a linear regression model. Finally, outlier detection is realized by calculating Cook's distance for each sample. Four different customer classification datasets are used to conduct experiments. Results show that GOD model can effectively eliminate outliers, and compared with the five existing outlier detection models, it generally performs significantly better. This indicates that eliminating outliers can effectively enhance classification accuracy of the trained classification model.