基于支持向量机的大学财务困境预警模型

为了解决大学的财务风险预警模型由于样本稀疏造成预测准确率偏低的问题,该文提出了一种基于支持向量机(SVM)的预警模型的构造方法.选取教育部64所大学的7个财务评价指标并将其分为轻警、重警和巨警3种类别进行了训练计算.与误差反向传播(BP)神经网络模型相比较,在小样本数据条件下,基于SVM的大学财务困境预警模型是大学财务困境预警的有效方法.研究结果可以较好地对大学财务困境进行预警监测.     

基于BP神经网络方法的财务预警模型研究

本文通过BP神经网络方法来建立我国上市公司财务失败的预警模型,该模型对检验样本的预测正确率为85%,实证研究表明,该模型具有较好的预测效果。     

基于遗传算法和神经网络的上市公司财务困境预测

针对上市公司财务困境预测问题,以中国制造业上市公司为研究对象,以财务状况异常而被特别处理作为上市公司陷入财务困境的标志,将股权结构和董、监事会状况指标加入到财务预警的指标体系中,应用遗传算法优化的BP神经网络算法,并对独立检验样本集进行预测,将预测结果同logistic方法、支持向量机方法和BP神经网络方法进行比较。结果表明,GA-BP神经网络方法在提前两年和三年预测中,总正确率分别达到91.25%和82.5%,优于其他方法,具有较大的应用价值。     

光面爆破效果BP神经网络预测

介绍了BP神经网络的基本原理，基于Matlab工具箱建立了预测光面爆破效果神经网络模型，从岩石力学性质，周边爆破参数两个方面对光面爆破效果进行分析和预测。为了加快神经网络模型的收敛速度。增强其跳出局部极小点的能力，采用了附加动量法和自适应学习速率结合的方法对网络进行训练，利用该模型对光爆效果进行了预测。取得了很好的效果。     

BP神经网络在围岩变形预测中的应用

利用神经网络，建立了围岩变形预测的BP神经网络模型，采用围岩变形的实测数据对网络进行了训练，以此训练好的BP神经网络对围岩变形进行了预测。预测结果表明，该模型具有很高的预测精度，为预测围岩变形提供了一种新的方法。     

分类器集成在财务危机预测中的应用研究

财务困境预测是金融领域中一个重要的研究课题．已有的统计模型、人工智能和机器学习模型具有预测准确率较低或稳定性差等缺点,因此首次将分类器集成应用于财务危机预测研究,以我国上市公司为研究对象,以决策树和神经网络为子分类器,从实验上证实了分类器集成在提高财务危机预测准确性方面的有效性,最后指出需要进一步研究的几个问题．     

基于判别分析方法的上市公司财务危机预警研究

近年来,我国经济飞速发展,但也存在影响经济发展因素,它可能使企业陷入财务危机,因此非常有必要建立财务预警系统。本文通过建立判别分析预警模型对财务困境进行预测,经实证研究得知该模型对检验样本的预测正确率为80%,说明判别分析方法对上市公司的财务危机具有较好的预测效果。     

单桩极限承载力的神经网络预测

利用BP神经网络较强的非线性映射能力和学习功能，建立了单桩竖向极限承载力预测的人工神经网络模型．该模型依据实测静力触探资料建模，通过静载荷试验成果的学习与预测检验，证明其预测精度良好、适用性强，验证了神经网络方法的可行性，因而具有较大的工程实用价值．     

基于支持向量机的上市公司财务危机预警研究

近年来,我国经济飞速发展,但也存在影响经济发展的因素,它可能使企业陷入财务危机,因此非常有必要建立财务预警系统。本文通过建立支持向量机预警模型对财务困境进行预测,经实证研究得知该模型对检验样本的预测正确率为82.5%,说明支持向量机方法对上市公司的财务危机具有较好的预测效果。     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

基坑变形灰色人工神经网络预测模型及其应用

针对基坑变形预测中信息的灰色性和数据的非线性性,提出用灰色神经网络预测基坑变形的新方法。用一桩锚联合支护体系实例进行了预测研究,得到支护体系的不同预测模型的组合预测值。研究结果表明:灰色神经网络预测误差比GM(1,1)预测模型小;与BP预测模型相比,前期误差大,后期误差小。在基坑变形监测中,为了更准确地预测基坑变形,可以采用灰色神经网络预测与BP预测相结合的方法进行预测。     

Gabor原子网络法在雷达目标高分辨距离像识别中的应用

针对飞机目标的分类问题 ,介绍了一种称为 Gabor原子网络的高分辨雷达目标距离像识别算法。 Gabor原子网络的输入层采用 Gabor原子变换作为预处理单元 ,完成对特征的提取。Gabor原子网络的隐层和输出层组成一个多层前馈网络 ,采用改进的反向传播算法对权值进行调整。文中同时给出了网络在训练过程中自动调整 Gabor原子节点的特征参数的算法。对 3种缩比模型飞机的微波暗室转台数据进行了分类 ,结果表明三维空间内的 Gabor原子网络方法比一维空间内的原始距离像或 Fourier幅度方法和二维空间内的 Gabor变换或小波变换方法更适合高分辨雷达目标距离像的识别     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

基于改进遗传神经网络的微硅加速度传感器动态补偿研究

比较遗传算法与神经网络的特点, 并对将遗传算法用于函数连接型神经网络(FLNN)的优点进行了研究.对遗传算法的编码方法、交换和变异操作做了改进,提出了一种融合改进遗传算法的FLNN用于微硅加速度传感器动态性能补偿的新方法.该方法不依赖于传感器的动态模型, 可根据传感器的动态响应数据, 建立补偿模型,采用改进遗传神经网络搜索和优化补偿模型参数,既保留了遗传算法的全局搜索能力,又具有神经网络的鲁棒性和自学习能力.介绍补偿原理及算法, 给出动态补偿网络的数学模型.结果表明, 该补偿方法能克服FLNN收敛速度慢、容易陷入局部极小的缺陷,具有网络训练速度快、实时性好、良好的全局搜索能力、精度高、鲁棒性好及动态补偿器实现简单等优点.     

数控机床电主轴热误差的预测方法

为了减少电主轴的热误差,提高数控机床的加工精度,对于时变速度的主轴运转,分别采用多元自回归方法和遗传径向基函数神经网络方法建立电主轴热误差预测模型.根据2种模型对电主轴热变形产生机理的不同表述形式,比较二者的计算效率和拟合精度.研究表明:在相同温升变量的条件下,二者的收敛速度和运算时间相差无几;在预测精度方面2种建模方...     

基于遗传算法神经网络集成股票市场预测研究

神经网络集成技术能有效地提高神经网络的学习能力和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.本文利用不同的神经网络算法产生神经网络集成个体,以误差平方和最小为准则,用遗传算法动态求解集成个体的非负权重系数,进行最优组合集成建模研究,并以此建立股市预测模型.通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法相对传统的简单平均集成模型,具有预测精度高、稳定性好,易于操作的特点.     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

基于自融资的动态OBPI策略及其应用研究

对经典的基于期权的投资组合保险（OBPI）策略模型进行了适当的修正,得到了在实际操作中具有自融资特性的动态OBPI策略的模型,并以上证A股指数为投资的风险资产对象,实证研究了其在我国证券市场上应用的情况.结果表明,在我国证券市场上采用自融资的动态OBPI策略是可行的,但在极端的市场条件下有可能出现不能保底的情形;由于我国股市波动较大,投资的收益出现了两级分化;延长投资期限不一定能够增加投资的收益,而相对于市场的收益损失却增加了;投资者越是愿意承担风险,获得的收益将越高,而且相对于市场的收益损失越小.     

基于遗传算法-神经网络的半主动悬架控制仿真

分析了汽车悬架的非线性特性 ,提出了一种采用遗传算法 -神经网络的控制方法实现对车辆半主动悬架系统的控制 ,并用一个 4自由度的车辆模型 ,分别对有该控制规律的半主动悬架和传统的被动悬架进行了计算机仿真 ,结果表明前者比后者具有更好的减振效果。文章将神经网络与遗传算法相结合 ,使控制器对付复杂问题的能力大大增强 ,为汽车半主动悬架控制系统的研究提供了一条崭新的途径