基于增广RBF神经网络的混沌系统辨识

混沌系统的建模与辨识是混沌控制的基础。提出一种动态线性子系统与ＲＢＦ神经网络并联的增广ＲＢＦ神经网络模型,该模型不仅对动态非线性系统具有良好的逼近能力,而且网络学习速度很快。对Ｈｅｎｏｎ系统时间序列的仿真预测结果表明,增广ＲＢＦ网络能有效地用于混沌系统辨识。     

高速公路交通流RBF神经网络建模

在对城市高速公路交通流模型深入研究的基础上,针对在不同环境以及时变系统中对复杂非线性大系统的控制,提出了一种改进的快速ＲＢＦ神经网络算法对交通流进行建模,克服了传统的数学模型对交通非线性大系统建模时泛化能力差的缺陷,该算法是采用ＡＰＣ－Ⅲ单路径矛类算法确定ＲＢＦ神经网络结构参数的一种快速ＲＢＦ神经网络算法,网络训练速度快,效果良好,对实现交通流的在线建模与控制有重要意义,文中进行了计算机仿真研究,     

软测量技术及其在加氢裂化分馏塔中的应用

在总结现有各种软测量技术的基础上,指出统计分析方法中的部分最小二乘法和神经网络方法中的径向基函数网络,是经实际应用证明有效的方法。提出了一种将ＰＬＳ和ＲＢＦＮ结合的方法,并将ＰＬＳ,ＲＢＦＮ,ＰＬＳ－ＲＢＦＮ３种算法分别用于加氢裂化分馏塔航煤点软测量模型的建立,其泛化结果表明基于ＰＬ－ＳＲＢＦＮ算法建立的软测量模型具有更好的预测精度。     

基于神经网络的可靠度时序预测方法研究

提出了利用人工网络进行可靠度时序预测的方法,分别利用径向基函数（ＲＢＦ）网络及自适应模糊神经（ＡＮＦＩＳ）网络对发动机涡轮增压器进行了可靠度的时序预结果表明,利用神经网络进行可靠度时序预测是可行的,并且ＡＮＦＩＳ的预测能力要优于ＲＢＦ。     

基于径向基函数概率神经网络的心律失常自动识别

讨论了基于径向基函数（ＲＢＦ）的概率神经网络的基本网络结构和网络的学习和运行过程,并且与ＢＰ算法的径向基神经网络进行了对比,同时也测试了网络的容错能力,结果表明,基于ＲＢＦ的概率神经网络,学习速度大大提高,同时减小了ＢＰ陷入局部极小的问题,有一定的抗噪声能力,基于ＲＢＦ的概率神经网络模型在心律失常自动识别中获得了很好的应用。     

一种复合型前馈神经网络结构

ＢＰ网络是一全局逼近的网络,通常,在对样本数据的选取要求上,它不如ＲＢＦ网络高,即ＢＰ网络在训练样本数据的代表性不强时也可表现出对非线性函数较强的逼近性能,鉴于此,作者提出了一种复合型前馈神经网络结构在此结构中,笔者采用了ＢＰ神经网络对训练数据进行预处理而得到径向基函数（ＲＢＦ）网络的初始中心矢量点集的方法该方法使得ＲＢＦ网络中心矢量点集由传统的随机确定改为对它的优化选取,由它确定的ＲＢＦ网络的中心矢量具有相当的柔性,从而增强了径向基函数（ＲＢＦ）神经网络整体的泛化性及鲁棒性,最终使得该复合型神经网络具有了很好的精度和泛化性仿真结果表明了本文所提网络的有效性     

基于BP神经网络的CVC冷连轧机板形预测控制模型

将ＢＰ神经网络建模方法与预测控制思想相结合用于宽带钢板形自动控制,研究并建立了基于ＢＰ神经网络的板形预测控制数学模型,经用宝钢１４２０ｍｍ冷轧实测数据仿真验证表明该模型具有很高的预测精度。     

OIF Elman神经网络在股市综合指数预测中的应用

利用具有动态反馈机制的OIF Elman(Output-Input Feedback Elman)人工神经网络模型对股市的综合指数进行预测,为股票市场的建模及预测提供了一种新的技术和方法。实验模拟结果表明,OIF Elman网络具有极佳的逼近性能,预测数据与实际数据基本吻合,因此,OIF Elman神经网络用于股市预测是可行、有效的,具有很好的预测潜能和广泛的应用前景。     

T-S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法．仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数．     

T—S型模糊RBF神经网络的结构研究

提出Ｔ－Ｓ型模糊ＲＢＦ神经网络模型结构,讨论该模型参数的输入空间模糊最优聚类学习算法。仿真结果验证了学习算法的有效性和可行性,表明Ｔ－Ｓ型模糊ＲＢＦ神经网络可逼近任意多变量非线性函数。     

RBF神经网络在股市趋势预测中的应用

将RBF神经网络应用在股市趋势预测中，RBF网络中心点的选取采用最近邻聚类学习算法，以上证指数和基金裕阳为对象进行建模与预测，结果表明，此种网络具有较好的学习和泛化能力，在股市趋势预测中取得了较好的效果。     

径向基神经网络在股市预测中的应用

将 RBF神经网络应用于股市的预测中 ,以上证指数和海虹控股为对象进行建模和预测 ,仿真实验表明 ,该 RBF网络具有较好的学习和推广能力 ,对股价的预测达到了较好的效果     

基于RBF网络的金融时间序列预测

RBF网络是一种新颖有效的前向型神经网络,它通过非线性基函数的线性组合实现从输入空间RN到输出空间RM的非线性转换,特别适合于非线性时间序列如股票市场等金融系统的预测.本文以中集集团的实际收盘价作为预测对象,提出基于RBF网络的个股价格预测模型,仿真实验表明,该模型对于个股价格的短期预测是可行有效的.     

基于情感分析和GAN的股票价格预测方法

股票价格具有非平稳性和波动性特点,且投资者容易受自身情感影响,投资决策行为具有非理性特征,因此股票价格难以预测.针对预测股票价格的卷积神经网络情感分析方法存在文本标记分布不平衡问题,本文提出一种基于情感分析和生成对抗网络的股票价格预测方法.首先,建立金融领域情感词典库;然后,使用基于词典的情感分析方法计算金融文本数据的情感极性和投资者每天的总体情感指数;最后,利用生成对抗网络对股市波动进行预测,其中生成器生成股票序列数据,而判别器采用卷积神经网络对生成数据和真实数据进行区分.该方法能动态地更新股票价格预测结果且误差较小.     

小波包与神经网络相结合的股票价格预测模型

小波包较之于小波可以更为灵活地提取分散在不同尺度上的信号特征,结合神经网络也就可获得更好的预测精度,本文按此方式建立了一种混合杂交模型用于股票市场价格波动预测,并为获得最优预测精度,本文利用遗传算法进行小波包最优分解选择和神经网络参数选择。通过对上证综指的实证研究,表明这种混合杂交模型的性能优于同类神经网络模型和基于小波分解的神经网络模型。     

基于AQPSO算法优化的RBF网络模型及应用研究

提出了自适应量子粒子群优化(adaptive quantum-behaved particle swarm optimization,AQPSO)算法,用于训练RBF(radial basis function)网络的基函数中心和宽度,并结合最小二乘法计算网络权值,改进了RBF网络的泛化能力.利用上证指数数据进行预测,实验结果表明,采用AQPSO算法获得的RBF网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值.     

基于遗传神经网络的个股价格短期预测

针对个股价格的短期预测,提出了一种基于遗传神经网络算法的股票收盘价格分析和预测方法,在允许的相对误差下,所得到的模拟结果表明预测系统能够较好地预测股票价格的趋势.人工神经网络预测股票价格具有良好的应用前景,而遗传神经网络算法则可提高预测的速度和可靠性.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

基于遗传算法的动态递归网络的股价预测

为了对股票市场进行更准确地监测预报,根据股市的动态特性,提出了应用动态递归神经网络进行实时建模预测,并采用遗传算法进行在线学习,提高了网络性能,较好的描述了股市的动态特性。通过对某上证股价的预测,验证了该法的有效性。