用混合小波网络和遗传算法对期权定价的研究

由于波动率微笑的存在,不同种类的期权的隐含波动率不同,如何衡量不同种类期权的隐含波动率的最优权重一直是期权定价领域中的重要问题.提出了新的基于Black-Scholes模型的混合小波神经网络,建立了混合小波神经网络和遗传算法相结合的模型,将期权按钱性进行分类,提出了加权的隐含波动率作为神经网络的输入变量,通过遗传算法来求取不同种类期权的隐含波动率的最优权重.在香港衍生品市场的实证中表明,所提出的模型要优于传统的Black-Scholes模型和其它的神经网络模型.     

应用混合小波神经网络和遗传算法在香港衍生品市场上的研究

提出了新的基于Black-Scholes模型的混合小波神经网络.隐含波动率是指在市场中观察的期权价格所蕴涵的波动率.基于不同种类的期权价格对波动率的敏感度不同,建立了混合小波神经网络和遗传算法相结合的模型,将期权按钱性进行分类,提出了加权的隐含波动率作为神经网络的输入变量,通过遗传算法来求取不同种类期权的隐含波动率的最优权重.在香港衍生品市场的实证中表明,所提出的模型优于传统的Black-Scholes模型.     

BP小波神经网络快速学习算法研究

讨论了BP小波神经网络在训练过程中减小误差函数时最优方向的确定和自适应调整学习率的方法.首先论证了小波神经网络的数学基础,然后讨论了BP小波神经网络的学习过程,重点讨论了减小误差函数最优方向的确定方法,即如何保证步长方向与负梯度方向一致,由此得出了自适应调整学习率的简便方法.该方法具有普遍性,有广泛的应用价值.仿真结果表明,采用最优梯度下降方向可以大幅度提高BP小波神经网络的学习速度.     

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题.将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA).三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法.     

混合递阶遗传算法优化小波神经网络的研究

在研究小波神经网络结构及其学习算法的基础上,提出了一种以混合递阶遗传算法优化小波神经网络的新方法,混合递阶遗传算法是递阶遗传算法和多元线性回归的结合。此方法可同时优化小波神经网络的结构及其参数,具有学习速度快,精度高的特点。并与传统的BP算法进行了对比,证明了本算法的有效性。     

基于小波神经网络的惯导初始对准系统

论述了小波分析和神经网络在惯性导航系统初始对准中的重要作用,给出了惯导系统初始对准的线性和非线性模型.基于小波变换,运用小波神经网络对目前该问题进行了仿真研究.仿真结果表明,对于不同的误差模型,小波神经网络采用不同的基函数可以很好地对非线性系统进行逼近,近似精度高,而且网络规模比BP、RBF等神经网络规模要小,计算量少,收敛速度快.     

基于多值编码的混合遗传算法的小波神经网络优化

采用多值编码方式构造染色体结构，对小波神经网络的结构和参数进行编码，可以同时确定小波神经网络结构和优化网络参数，简化了问题的求解过程。在遗传算法中嵌入一个梯度下降算子，使得混合算法既有较快的收敛性，又能以较大概率得到全局极值。仿真表明，利用该算法训练小波神经网络，能使网络具有简单的结构形式，较快的收敛速度，较高的逼近精度和较强的泛化能力。     

连续参数小波神经网络的递阶遗传训练方法

提出递阶遗传训练方法用于训练连续参数小波神经网络的参数及其结构.现有的连续参数小波网络训练方法大多只能训练网络的参数,包括平移参数、伸缩参数和权值,而网络的结构得预先用某种方法确定.应用递阶遗传算法能够把网络的结构和参数同时通过训练确定.利用混沌时间序列数据进行仿真,结果证明该模型具有较高的预测精度,提出的方法是可行的.     

基于统计学习理论的小波神经网络优化

传统的离散仿射小波神经网络训练都是建立在大样本基础上的,当样本数量较少时,不能保证网络的泛化能力。在研究统计学理论的基础上,提出了以结构风险最小化为目标的训练方法。首先根据样本数据和小波基函数的时频局部化特性构造隐含层函数集,并按照小波基函数的能量大小来建立函数嵌套结构,然后采用自适应正交最小二乘法来训练网络权值,保证训练的小波神经网络结构风险最小化。仿真表明该方法不仅具有较高的收敛速度,而且最大限度地保证了网络的泛化能力。     

基于GA与CSA-RBF神经网络辨识的自适应PID控制器

提出了一种基于遗传算法(GA)、克隆选择算法(csA)和神经网络的自适应PID控制器的设计方法.该控制器主要由四部分组成:一是利用遗传算法优化PID参数初始值;二是用克隆选择算法对径向基函数(RBF)神经网络参数初始值优化;三是RBF神经网络完成对被控对象Jacobian信息辨识;四是单神经元PID控制器,学习并在线调整PID参数,以确保系统的响应具有最优的动态和稳态性能.仿真结果表明,该控制器具有响应速度快,稳态精度高等特点,可用于控制不同的对象和过程.     

基于动态小波神经网络的非线性动态系统辨识

一种隐层由小波基组成的神经网络被用来实现非线性系统的输入输出之间的映射关系.为描述系统的动态特性,在网络中引入了自回归连接结构.本文给出了详细的用小波神经网络进行系统辨识的算法和步骤.本文提出了一种FC+GD算法以提高训练神经网络的收敛速度.最后,将所提出的方法用于CSTR模型的辨识,并与RBF和MLP网络相比较.     

Wavelet-Based Elman Neural Network with the Modified Differential Evolution Algorithm for Forecasting Foreign Exchange Rates

It is challenging to forecast foreign exchange rates due to the non-linear characters of the data. This paper applied a wavelet-based Elman neural network with the modified differential evolution algorithm to forecast foreign exchange rates. Elman neural network has dynamic characters because of the context layer in the structure. It makes Elman neural network suit for time series problems. The main factors, which affect the accuracy of the Elman neural network, included the transfer functions of the hidden layer and the parameters of the neural network. We applied the wavelet function to replace the sigmoid function in the hidden layer of the Elman neural network, and we found there was a "disruption problem" caused by the non-linear performance of the wavelet function. It didn't improve the performance of the Elman neural network, but made it get worse in reverse. Then, the modified differential evolution algorithm was applied to train the parameters of the Elman neural network. To improve the optimizing performance of the differential evolution algorithm, the crossover probability and crossover factor were modified with adaptive strategies, and the local enhanced operator was added to the algorithm. According to the experiment, the modified algorithm improved the performance of the Elman neural network, and it solved the "disruption problem" of applying the wavelet function.These results show that the performance of the Elman neural network would be improved if both of the wavelet function and the modified differential evolution algorithm were applied integratedly.     

复数神经网络的一种新型初始权值选择方法

为了改善学习速率,提出了一种确定复数神经网络初始权值的新颖方法。初始权值不是随机给定的,而是通过计算求得。具体方法是选择一类隐层神经元的变换函数(类支集函数),将输入层和隐层之间的复数权值计算出来,保证隐层的输出矩阵是满秩矩阵,并从理论上证明了这样的满秩矩阵是存在的。利用这个满秩矩阵,通过最小平方算法就可以求得隐层和输出层之间的复数权值。将这些权值作为初始权值,采用最速下降算法来对神经网络进行训练。初始权值的优化,使得该算法可以有效地提高复数神经网络的训练速度和计算精度。一个特例是当隐层神经元的个数与样本个数相等时,就可以求得代价函数值为0的全局最小点。计算机仿真实例验证了该算法的有效性。     

基于多项式网络的空袭目标类型识别模型

给出了进行目标类型识别的指标集 ,建立了基于多项式前向神经网络识别模型。该模型具有三层结构 ,隐层、输出层分别采用多项式函数和线性函数作为激活函数 ;隐层 输出层的权值用最速下降法学习 ,输入层 隐层的权值用遗传算法进行学习。实例表明该模型是可行的。     

遗传算法在神经网络控制中的应用与实现

比较了遗传算法与神经网络的特点，并对将遗传算法用于前向神经网络的可能性进行了研究，同时阐明了遗传算法和神经网络结合的必要性，提出了一种融合遗传算法的神经网络控制方法，该方法采用多层前向神经网络作为遗传搜索表示方式的思维，以神经网络为基础，用遗传算法 习神经网络的权系数，即保留了遗传算法的强全局随机搜索能力，又具有神经网络的鲁棒性和自学习能力，将遗传算法和神经网络相结合，分析了遗传算法基本参数及神经网络结构、隐层和输出层节点非线性函的选择，设计了用遗传算法学习神经网络权系数的软件实现方法，成功地实现了机械手逆运动学求解问题及倒立摆的控制，仿真结果显示了遗传算法快速学习神经络权系数的学习效率与收敛精度，确保了快速达到全局收敛，克服了多层前向神经网络传统的BP学习算法精度低、收敛速度慢、容易陷入局部极小的缺陷，表明了该方法的可行性与有效性。     

一种基于自适应小波网络的非线性控制设计

针对含有未建模动态的非线性系统,结合非线性动态逆和小波网络提出了一种新的非线性控制方法。根据小波网络的逼近特性,利用具有在线学习能力的单隐层小波网络来补偿动态逆的误差,建立了基于自适应小波网络的控制结构,用李雅普洛夫函数导出了小波网络权值的自适应调整規则。通过自适应调节,使控制系统能对受控对象及时地作出反应。最后分析了小波网络的结构和输入。     

高精度陀螺稳定跟踪系统神经网络预测控制

针对高精度陀螺稳定跟踪系统，提出了一种基于小波基函数神经网络的非线性系统的一步超前预测控制算法。该方法利用小波网络学习非线性系统，利用小波神经网络模型作为系统的预测模型，控制信号直接通过极小化期望输出值与预测输出值之间的偏差来获得。通过对陀螺稳定跟踪控制系统的仿真，表明该算法具有优良的控制品质。     

基于神经网络和PSO的机器人路径规划研究

提出一种神经网络和粒子群算法相结合的移动机器人路径规划方法。采用小波网络和RBF网络相结合的四层神经网络结构,克服了传统神经网络方法进行路径规划时对每个障碍均设计一些特定的隐节点,当障碍较多且环境动态时,网络结构庞大且神经元的阈值随时间的变化而需要不断改变的缺点。利用粒子群对神经网络的参数进行训练,在规定的代数内对网络参数优化,使得机器人在移动过程中能够快速响应环境的变化。通过对移动机器人在动、静态不同环境下的仿真实验,证明了方法的有效性。