基于相空间重构和非参数神经网络集成股市预测研究

利用奇异谱分析方法对股市时间序列重构，降低噪声并提取趋势序列，并利用C-C算法确定嵌入为维数和延迟阶数进行相空间重构，生成神经网络的学习矩阵，进一步利用Boosting技术和不同的神经网络模型，生成神经网络集成个体，最后采用非参数回归模型进行集成，建立多元变窗宽高斯核函数的非参数回归的神经网络集成模型，以此建立股市预测...     

基于支持向量回归集成的陀螺仪参数漂移预测

泛化能力是智能方法用于参数预测的最重要的问题之一,提出了支持向量回归集成方法。为了增加个体之间的差异性,提出了基于聚类方法的个体生成方法。首先利用聚类方法将样本分为若干子类,然后用不同结构的支持向量回归学习不同的样本子类,权值由个体在验证集上的泛化误差决定。将ESVR陀螺仪参数飘移数据的预测,并与单支持向量回归,单神经网络,神经网络集成以及组合预测方法进行比较。结果证实,ESVR的预测精度总体高于其他方法。     

基于量子粒子群的神经网络集成股市预测模型研究

利用量子粒子群改进神经网络集成个体的网络结构和连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用支持向量机回归集成生成输出结论,求出非线性时序函数的全局最优解,随即建立一个基于量子粒子群的神经网络集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

PCA支持向量机回归集成股市预测应用

利用主成分分析（PCA）方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于差异性度量的选择性神经网络集成

基于神经网络间的差异性,提出一种选择性神经网络集成方法.该方法利用差异性度量,选择满足一定条件的个体神经网络组成神经网络集成,选出的个体神经网络既满足个体的精度要求,又满足个体神经网络之间的差异性要求.理论分析和实验结果表明,利用该方法能够提高神经网络集成的分类识别率.     

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.     

基于最大方差组合的选择性神经网络集成

为进一步提高神经网络集成的泛化能力,提出一种基于最大方差组合的选择性神经网络集成构造方法：首先训练出若干神经网络个体,其次,利用离散人工蜂群算法对这些神经网络个体进行组合优化的全局搜索,选出一个最大方差的个体组合,最后,将具有最大方差的神经网络个体使用简单平均方法进行神经网络集成.将该模型应用与广西东南部的区域降水预报试验,实验结果表明,笔者提出的神经网络集成方法比常用的Bagging集成方法提高了8％以上,能有效地提高神经网络的泛化能力.     

神经网络集成模型在广东省海洋生产总值预测中的应用

海洋生产总值预测是一项极其复杂但又非常重要的工作,本文探讨了神经网络集成模型在广东省海洋生产总值预测中的应用.通过采集广东省2000—2010年海洋统计年鉴数据,借助Bagging方法生成仿真数据训练网络个体,将12个个体网络集成对广东省2010年海洋生产总值进行预测分析,该模型解决了海洋经济数据非线性、时变性、样本量少和偏差大等问题.与线性回归方法的比较结果表明,神经网络集成模型预测海洋生产总值的结果更可靠.     

基于二次选择匹配的神经网络集成构造方法研究

研究12种基于二次选择匹配的选择性神经网络二次集成构造方法.分析了两次集成中所用选择方法的匹配关系及第1级结构中选择性神经网络集成个体的个数对神经网络集成效果的影响.仿真结果表明,通过采用二次选择匹配以及一定的集成个数可以保证个体具有较高的精度、差异度,并减少过拟合对集成结果的影响,提高神经网络的集成精度.     

基于遗传-小波神经网络的短时交通量预测

针对短时交通量的高度非线性,提出一种基于遗传-小波神经网络的预测方法.该方法以前馈多层感知器的神经网络拓扑结构为基础,选择Morlet母小波基函数作为隐含层激活函数,以最简化结构概念进行网络泛化,并将误差反向传播,经遗传算法对网络连接权值修正.实例证明,该方法预测精度高,预测速度较快,能够满足实际工程的要求.     

旱涝灾害的遗传-神经网络集成预测方法研究

利用遗传算法的全局搜索能力同时进化设计三层BP神经网络的结构和连接权,并以进化后的网络结构和连接权作为新的神经网络结构和初始连接权,再进行新一轮附加动量的BP神经网络训练,把训练后的结果简单平均集成,以此建立旱涝灾害的遗传-神经网络集成预测新方法。应用该方法对广西桂林6月(主汛期1995~2005年)的降水量进行实例预测的结果表明,该方法的收敛速度快,预报精度高,易于操作,是一种具有较高应用价值的预测方法。     

增量构造负相关异构神经网络集成的方法

基于负相关异构网络,提出了一种增量构造异构神经网络集成(NNE)的方法.该方法在训练成员网络时,不仅调整网络的连接权值,而且动态调整网络的结构,从而在提高单个网络精度的同时增加各成员网络之间的差异度,减小网络集成的泛化误差.该方法包括构造最佳异构网络(BHNN)和构造异构网络集成(HNNE)两个部分,BHNN基于负相关学习动态构造多个最佳网络,HNNE利用训练好的最佳网络增量地构造异构NNE.使用网络泛化误差和集成泛化误差,整个集成过程可自动完成,无需预先确定成员网络的结构.分别对回归和分类问题进行了实验,相对于单个网络,该方法在测试数据集上的错误率降低了17%～85%,与已有的Boosting、Bagging等网络集成方法相比,错误率也有不同程度的改善.     

电力系统短期负荷预测的多神经网络Boosting集成模型

提出了一种改进的多神经网络集成自适应Boosting回归算法.算法中采用相对误差模型代替绝对误差模型,可以更接近于回归预测问题的要求,并在Boosting迭代过程中,在对训练集采样得到新的训练子集的同时,也对校验集采样得到新的校验子集,保证了两者的一致性.进而采用美国加州电力市场的实际数据,建立了由多个神经网络集成的电力系统短期负荷预测模型.预测结果表明,与传统的单网络预测模型相比,Boosting集成预测模型能显著提高模型输出的稳定性,增强网络结构及模型选择的可靠性,获得更高的预测精度.     

基于神经网络集成的经济预测模型

针对单个BP神经网络用于经济预测存在的不足,提出了一种新的更有效的经济预测模型--神经网络集成.神经网络集成通过训练多个神经网络并将各网络输出进行合成,能够显著提高网络的泛化能力.以广东省江门市的经济数据为例,采用Bagging算法训练了五个BP神经网络,构建了一个神经网络集成的GDP预测模型,并运用MATLAB 7.0语言程序实现.预测结果令人满意,优于单个神经网络预测方法.实证表明,神经网络集成用于经济预测是有效可行的,同时在一定程度上克服了单个神经网络的缺陷.     

灰色优化GM(1,1)和人工神经网络组合模型的江西省GDP预测应用

为了提高GDP的预测精度,结合灰色系统和人工神经网络的各自优势,建立灰色人工神经网络组合预测模型。该模型既具有灰色优化GM(1,1)模型适用发展系数范围较大的优点,也融合了人工神经网络在不确定因素预测方面的优点。最后以江西省GDP的预测为实例,对比了单独的灰色优化GM(1,1)模型与组合模型的预测结果,结果显示组合模型的预测精度较高。     

径向基概率神经网络的结构优化算法研究

径向基概率神经网络（RBPNN）是在径向基函数神经网络（RBFNN）和概率神经网络（PNN）的基础上发展起来的一种新型的前馈神经网络（FNN）模型。该网络模型充分吸收了径向基函数神经网络和概率神经网络的优点,这种新的模型具有计算复杂度低、收敛速度快等优点。本文深入研究了径向基概率神经网络的结构优化算法,在遗传结构优化方法的基础上,提出一种新的两步学习算法,基于遗传算法的梯度学习算法。该算法一方面优化了网络结构,使网络结构尽可能的精简,另一方面有效地提高了网络的推广能力。