中小企业板上市公司退市风险预警研究——基于因子分析的Rprop神经网络模型分析

以我国中小企业板上市公司退市风险预警为例,利用弹性反向传播算法(resilient back propagation,Rprop)和因子分析法相结合,建立一种基于因子分析的Rprop神经网络模型。首先利用因子分析法构建包含财务变量和非财务变量的预警体系;其次运用Rprop神经网络模型对我国160家中小企业板上市公司进行退市风险预警实证分析;最后对该模型的有效性进行实证分析,结果表明,该模型对上市公司退市风险预警的准确性比标准的BP神经网络模型和支持向量机模型分别提高2.91%和6.09%。因此,该模型可为投资者决策提供较好的参考依据。     

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.     

基于遗传神经网络的混合气体识别研究

针对误差反向传播(BP)算法和遗传算法各自的优点和不足,提出了遗传算法优化神经网络技术:利用遗传算法的全局搜索能力,对神经网络连接权进行优化,以遗传算法优化的初值作为BP神经网络的初始权值,再用BP算法训练网络.优化后的BP网络其误差的递减速度和收敛速度都比标准BP网络快,而且对学习速率调整要求更少.将遗传神经网络应用于混合气体定量识别的训练中,得到的最大误差由20.7 %降为12.1 %,平均误差从5.4 %降为3.5 %,识别效果得到了提高.     

基于BP神经网络结构的图像压缩技术研究

采用BP(back propagation)神经网络方法进行图像数据压缩处理.通过输入信号的正向传递和误差信号的反向传播算法,直接为图像提供数据压缩的能力.仿真实验表明,通过合理调整BP神经网络模型隐含层神经元的个数,可使图像压缩效果最佳.     

基于长短期记忆神经网络的企业财务风险预警模型研究

为了提高企业财务风险预警的准确度,采用长短期记忆(LSTM)神经网络算法建立企业财务风险预警模型.首先分析企业财务风险预警指标,并选取重要度高的指标构建企业财务风险预警特征样本.然后经过LSTM神经网络训练,采用遗忘门和记忆节点对历史财务数据进行遗忘和筛选,保留部分数据代入下次神经网络训练,通过反向传播获取最优权重与阈...     

基于量子免疫的RBF神经网络在上市公司财务预警中的应用

针对传统的RBF神经网络财务预警模型难以解释变量之间的因果关系,使得训练时间增加、训练精度下降等缺陷,该文提出了一种基于量子免疫的改进的RBF神经网络的财务预警模型.该模型通过改进的量子免疫算法对RBF神经网络的连接权值进行优化,将连接权,隐节点中心以及宽度编码为基因,构成抗体,然后通过遗传迭代使网络参数逐步优化,最终达到最优结果.详细阐述了算法的实现过程以及利用量子免疫算法改进RBF神经网络财务预警模型,然后,分别采用改进RBF神经网络法、传统RBF神经网络法及Logistic回归模型进行实证对比分析,实证证明了改进RBF神经网络模型预警的准确性有较大提高.     

基于优化FOA-BPNN模型的脱贫时间预测

针对精准扶贫缺乏有效的分析模型对扶贫的成效与脱贫时间进行准确刻画与定量分析问题，提出了基于 FOA-BPNN 贫困户脱贫时间预测模型．针对BP神经网络模型可能陷入局部最小的缺陷，引入果蝇优化算法，以BP 神经网络的预测误差作为适应度值，寻找最优的BP神经网络参数值，提高参数精度．由于标准果蝇优化算法的搜 索半径固定，可能导致后期局部寻优性能弱，提出了一种动态步长变更策略的DSFOA-BPNN模型，通过引入变速因 子与种群密度，将动态步长FOA算法与传统误差反向传播神经网络(BPNN) 结合，提高模型预测时间精度．在湖北 省某贫困地区 50000 条扶贫数据的基础上，通过实验表明:与BPNN和FOA-BPNN模型相比， 提出的 DSFOA-BPNN 模型预测精度分别提高了44%和11%．增量实验表明: 提出的DSFOA-BPNN模型更适用于精度预测.     

基于AP和BP神经网络算法的手写数字识别

针对现有的手写数字识别技术不适合大规模应用的问题,提出了一种基于AP和BP神经网络的快速手写数字识别算法。首先对预处理后的样本通过AP算法(affinity propagation)聚类消除冗余,重新构造样本空间;然后构造BP(误差反向传播)神经网络模型,学习测试集合样本。采用UCI机器学习数据库中的数据进行实验,结果表明,算法的识别正确率可达96.10%,高于BP神经网络算法的识别正确率94.88%,且执行时间约为后者的10%,具有较高的实用价值。     

基于神经网络的烧结终点预报的研究

针对烧结终点非线性的特点,采用误差反向传播算法的多层前馈神经网络(BP)来建立其模型,用自适应算法确定学习参数,用改进的BP神经网络的算法求出结构适宜的自适应网络。提出并实践了提高烧结终点BP神经网络预报速度的数据处理方法,基于现场数据采用计算机仿真的结果表明该方法的有效性。     

基于粒子群算法与BP网络的机床主轴热误差建模

为了避免基于反向传播(BP)神经网络的主轴热误差模型精度低、通用性不强和收敛性较差等缺点,利用模糊聚类理论与相关分析法对温度变量进行优化,并且选取热敏感点以挖掘温度变量与热误差间的相关性,降低温度变量间的耦合性.利用粒子群优化算法(PSO)将预测输出与期望输出间误差平方和的倒数作为个体适应度函数,将个体头部分与身体部分的表现码分别映射为网络的隐含层节点数、权值和阈值,实现了对BP网络的拓扑结构的有效优化,通过跟踪个体极值和全局极值实现了粒子群个体速度与位置的更新.分别建立了基于BP和PSO-BP网络的热误差模型,以精密坐标镗床主轴为研究对象,采用五点法对高速主轴热误差进行测量.结果表明,PSO-BP模型可实现不同工况下主轴空间位姿状态的高精度预测,验证了测量及建模方法的有效性.     

基于3种训练神经网络方法解决异或问题的研究

分别运用误差反向传播(error back propagation)算法、扩展卡尔曼滤波(extended kalman filter)和数值积分卡尔曼滤波(cubature kalman filter)算法对多层神经网络模型进行逐次状态估计,并将其用于解决异或的分类问题。从仿真实验结果来看,利用BP,EKF和CKF算法训练的神经网络的输出信号的均方误差曲线的收敛速度依次加快,这使得神经网络的实际输出值越来越逼近其期望输出值,同时针对异或问题3种算法都得到了良好的分类结果.     

基于神经网络的IGBT结温预测

针对大电流下绝缘栅型双极晶体管(IGBT)饱和压降和集电极电流与结温之间的非线性关系带来的结温预测难题,搭建了大电流下IGBT饱和压降测试系统,获取了结温和集电极电流与饱和压降之间的非线性关系曲线,分析了关系曲线变化规律对应的物理机制.采用Matlab软件建立了误差反向传播(BP)神经网络模型和径向基函数(RBF)神经网络模型进行结温预测.与多项式数学模型预测结果对比表明:两种神经网络模型的预测相对误差和预测误差90%置信区间比多项式数学模型更小,结温预测精度更高;并且BP神经网络模型的预测精度高于RBF神经网络模型,结温预测模型选择时应优先考虑BP神经网络模型.     

浅析BP神经网络的应用

人工神经网络应用最多的模型之一是BP神经网络,是能够解决多层神经网络权值修正的算法,也称为误差反向传播法。通过分析BP神经网络的基本原理、学习与算法、模型的建立与应用,说明BP神经网络能够运用于桩基完整性的检测中,并为进一步检测桩基存在哪种缺陷类型提供了理论基础。     

BPNN-HDMR非线性近似模型方法及应用

提出基于误差反向传播神经网络(Back Propagation Neural Network,BPNN)的高维模型表示(high dimensional model representation,HDMR)方法,即BPNN-HDMR方法.BPNN-HDMR方法的显著优势是将BP神经网络的非线性函数逼近能力与高维模型的层级结构理论相结合来构建近似模型,并能够揭示输入变量之间固有的线性或非线性关系及其相关性,将构造模型复杂度由指数级增长降阶为多项式级,有效地解决了高维建模问题.通过测试和对比验证了该算法的效率和建模能力,并将该算法应用于矿用自卸车安全驾驶室翻车保护装置(Roll-Over Protective Structure,ROPS)的优化设计.通过优化结果验证了所提方法的可行性和有效性.     

SOM-BP神经网络在食品机械机构优化设计中的应用

论述了神经网络算法对食品机械机构优化设计的适用性.以自组织特征映射网络SOM和误差反向传播网络BP为理论基础,将SOM-BP集成神经网络模型应用于食品机械的机构优化设计领域,建立食品机械四杆机构优化目标函数模型,通过集成网络训练,得到优化设计结果.     

基于PSO-BP神经网络的红外无损检测缺陷定量识别

为解决红外无损检测缺陷定量识别困难的问题,提出了一种粒子群算法(PSO)优化反向传播(BP)神经网络的缺陷定量识别方法。以最佳检测时间与最大温差为模型的输入,孔洞缺陷的深度与直径大小为模型的输出,建立粒子群优化的BP神经网络缺陷定量识别模型。使用ANSYS软件对带有平底孔洞缺陷的金属平板进行脉冲热分析,提取金属平板检测表面的最大温差与最佳检测时间,作为神经网络模型训练与检验的数据样本,使用神经网络进行预测。计算结果表明:预测值的最大误差为5.5%,最小误差为1%,证明了粒子群优化BP神经网络方法进行红外无损检测定量识别的可行性。     

一种新的快速收敛的反向传播算法

提出了一种新的快速的误差反向传播算法 .这种方法从神经网络的权值调节公式入手 ,通过避免过早饱和、加大权值调节的幅度等手段来加快收敛 .并通过对两个奇偶问题、一个函数逼近问题的仿真 ,验证了所提出的算法的有效性 .结果表明 ,所提出的算法在收敛速度等方面大大优于通常的BP(反向传播 )算法、带动量项的BP算法以及其他的一些改进的算法 .     

LM算法在神经网络语音识别中的应用

输入语音信号中声音的特征提取和分类识别可以通过多层前馈神经网络大量学习实现,但基于误差反向传播的前馈神经网络(BP神经网络)标准算法收敛速度慢,在训练中效率不高。采用一种快速稳定的Levenberg-Marquardt算法进行语音识别,通过对语音信号的预处理、特征提取和网络结果优化,建立了网络训练样本集,用MATLAB进行了仿真,仿真结果表明,该算法优于传统的BP算法,具有更好的收敛性。     

基于BP神经网络的财务预警实证研究

运用BP神经网络对我国制造业的上市企业进行实证研究,选取2002～2005年的62家ST企业为样本,并选取同行业、同时期、同规模的健康上市企业进行配对.通过显著性检验对指标进行筛选,并建立单纯依靠财务指标的BP神经网络财务预警模型,比较引入非财务指标后的模型的预测效果,得出引入非财务指标后的BP神经网络财务预警模型更加精确.     

基于BP神经网络的GPS/SINS姿态测量融合算法

针对传统全球定位系统/捷联惯性导航系统(global positioning system/strapdown inertial navigation system,GPS/SINS)组合系统信息融合技术存在的不足,设计了适用于GPS/SINS组合系统姿态测量的反向传播(back-propagation,BP)神经网络模型,并在标准BP算法基础上,采用限制初始权值和阈值?动态删减隐含层节点数和修改激活函数的改进算法,从而减小BP算法在GPS/SINS组合姿态测量过程中的训练误差,提高网络训练的相应速度及精度?最后通过算法仿真和分析结果图得出改进后的BP神经网络算法在GPS/SINS组合姿态测量系统中高效可行,且测姿性能优越?