基于模糊神经网络的航运运价指数预测

为航运市场的参与者提供准确和高效的预测模型及决策支持,以BDI指数为研究对象,分析其时间序列数据所包含的内部信息和统计特征,采用模糊数理技术与神经网络技术,为BDI指数建立模糊神经网络模型.相比传统神经网络,模糊神经网络对于BDI指数时间序列在预测能力上的表现更优.     

波罗的海干散货运价指数的走势及其分析

以近20年来波罗的海干散货运价指数的演变为主线,探讨世界经济增长率、国际贸易与国际航运市场的相互关系和国际航运市场的变化规律,分析了世界和部分国家和地区的经济增长率与世界贸易的增长趋势,并在此基础上预测国际航运市场的未来走向。     

神经网络在波罗的海运价指数预测中的应用研究

波罗的海运价指数一直受到航运与国际贸易界的高度关注，研究波罗的海运价指数的波动规律，探讨其发展变化趋势日益为人们所重视．当前对波罗的海运价指数的预测主要采用时间序列方法，这些方法计算过程复杂，而且适应性相对较弱．利用BP网络强大的非线性映射功能，建立了一个预测BFI走势的模型，分别从短期与中长期对波罗的海运价指数进行预测，并用实际数据进行了验证，结果表明，利用神经网络对BFI进行预测具有很高的预测精度．     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于小波分析的铁矿石运价预测

在分析了小波分析对铁矿石海运价格非平稳数据序列预测优势的基础上,介绍了多分辨率分析理论和奇异性检测,借助于MATLAB和EVIEWS软件,建立自回归移动平均（ARMA）和Holt-Winters非季节组合模型,对经过处理的高频和低频数据进行静态和动态预测.预测结果表明,小波分析在非平稳时间序列预测方面具有很大的优势.     

基于EEMD-PSO-LSSVM的中国沿海散货运价指数预测

针对中国沿海散货运价指数(CBFI)预测对精度的要求,从内在波动特性角度出发,提出一种基于集合经验模态分解(EEMD)-粒子群优化算法(PSO)-最小二乘法支持向量机(LSSVM)的组合预测模型.对比LSSVM、PSO-LSSVM、EMD-PSO-LSSVM三种预测模型,EEMD可对CBFI序列中波动较大数据进行降噪分解,保留序列的内在波动特性,且预测精度有一定提升,预测性能更佳.     

国际干散货运价波动与随机游走检验

为验证国际干散货航运市场的弱有效性,对波罗的海运价指数(BDI)进行了波动性分析和随机游走检验.运用ADF检验方法对BDI的对数序列进行平稳性和单整检验,结果证明BDI对数序列是一个非平稳过程,经一阶差分后是平稳过程,即BDI对数序列是一阶单整过程;通过ARCH LM检验认为BDI对数序列存在高阶ARCH效应,并用GARCH(1,1)模型消除了残差序列的条件异方差性;通过方差比检验法对国际干散货航运市场的收益率序列进行了检验,结果显示BDI的对数序列的随机游走假设被拒绝,国际干散货航运市场不是一个有效的市场.     

基于神经网络的股票价格预测

在股票市场中，价格是围绕其内在价值上下波动的，而价格的变化又取决与供求关系的影响．文献[4]运用系统动力学的方法，建立了以供，需和价格为变量的动力学模型．本文以此模型为依据，设计了神经网络模型并采用历史数据对起进行训练，实证研究表明我们得到的模型具有很好的预测作用．     

基于灰色关联理论的油轮运价指数波动分析

为及时制订有关油轮运价指数波动的应对策略和规避相关海运风险,运用灰色关联理论对原油海运贸易量、油轮船队规模、原油价格及原油产量与油轮运价指数之间的关联度以及近期波罗的海油轮运价指数和前两个月的布伦特现货原油离岸价格之间的相关性进行研究.结果表明:四者与油轮运价指数之间的关联程度由高到低依次为油轮船队规模、原油海运贸易量、原油产量、原油价格;近期油轮运价指数波动滞后原油价格波动约3周左右.     

一类基于概率神经网络的语音识别模型

介绍了采用人工神经网络,特别是概率神经网络(PNN)技术进行语音识别的原理．提出了一类基于概率神经网络的解决元音识别问题的模型,并且通过一个试验,研究了用于语音识别的PNN模型中的参数设置．试验表明,该模型对于元音的识别具有较好的识别率．     

应用神经网络的非参数模型自适应控制

 提出了一种应用神经网络的非参数模型自适应控制方案,该方案仅用受控系统的I/O数据来设计控制器,并与神经网络自适应控制方案进行了仿真比较,仿真结果表明了该方案的有效性和优越性.     

神经网络预测系统中的输入输出指标研究

建立了一个用一串ＢＰ网络组成的、用于地区主要经济指标预测的人工神经网络系统,给出了该模型在两个地区应用中得出的不同结果;在分析这两种预测结果的基础上讨论了预测模型中输入输出指标变化对预测结果的影响．说明在神经网络预测模型中,输入输出指标的选择起着不可忽视的作用．     

基于神经网络的建筑工程投标报价预测

针对建筑工程的特点,提出了基于神经网络的建筑工程投标报价方法．采用动量法和学习自适应调整策略改进BP神经网络,建立建筑工程投标标价估计算数学模型,讨论了网络结构的设计、学习算法等问题．采用Matlab计算软件,以淮南市某典型工程资料为例,验证了该模型的正确性及实用性．     

城市用水量的综合动态预测建模方法

基于BP神经网络,建立了一种综合时间序列分析和多元分析特点的动态水量预测模型,模型除了将影响用水量的因素作为输入节点之外,还将预报日前2 d的用水量作为输入节点,使得模型不但反映了用水量与影响因素的关系,还揭示了用水量时间序列的非线性特性.经生产实践检验,该模型的预测精度达到工程要求.     

BDI指数与上证综指的相关性

波罗的海干散货指数(BDI)和上海证券综合指数(上证综指)在2007—2009年的走势反映了金融危机背景下世界经济的变化趋势.选取2007—2009年BDI指数和上证综指的周均值作为实证研究的样本数据,对曲线图、散点图进行描述性分析,并进行相关性和波动趋势分析.结果显示:BDI指数与上证综指呈现正相关;上证综指一定程度上揭示了中国和世界经济的走势,确切反映了中国经济与世界航运市场的变化状况;上证综指的可借鉴性优于BDI.金融危机的爆发证明上证综指具有解释中国和世界航运市场变化的指向标的作用.     

LAMOST有限元模型的径向基网络修正法

天文学的发展要求望远镜的口径越来越大,对其建立有限元模型进行动力学分析已成为必要步骤.为了保证理论分析结果符合实际,必须对有限元模型进行修正.针对大望远镜模型修正的难点,提出一种基于径向基神经网络的含有隐藏变量的改进迭代法.首先建立了LAMOST空间桁架和平衡系统的有限元模型.其次从实际出发,讨论了神经网络输入输出的选择方法.用有限的数据信息修正误差大的参数,而小误差参数作为神经网络的隐藏变量,可看作噪声而不予修正.采用均匀设计法获得神经网络的训练样本集,减小了计算量.然后在网络迭代求解过程中,每次在输出参数的附近增加均匀分布的若干个样本,而不是输出参数的单独一个样本,可防止网络性能突然变差,改善泛化特性.最后,悬臂梁和望远镜桁架仿真结果表明,含有隐藏变量的神经网络仍然能够收敛.用实测数据修正了LAMOST的平衡系统,表明了该方法的可行性和有效性.     

基于Elman神经网络的无线传感器网络测距模型

以无线传感器网络为研究对象,在无线传感器网络覆盖范围内的不同距离内采集信号强度值,利用Elman神经网络建立信号强度值与距离之间的映射关系,将采集到的信号强度作为模型的输入进行训练,利用训练好的网络模型进行测距,结果表明具有良好的网络测距性能。     

人工神经网络在潮汐预测中应用研究

海洋环境中,精确预测潮汐是关系到建筑物和人类活动的重要工作.利用人工神经网络进行单测站潮位和多测站对应潮位预测,并结合潮汐现象的特点,提出了在预测之前有针对性的数据处理分析方法--周期分析概念,并将其应用到实际的潮位预测当中,实例证明这种方法可以解决潮位预测中存在的时滞问题,提高了预测的精度.同时根据不同测站潮汐数据之间的相关性,以及潮汐数据规律性较强这一特点,进行了不同潮位测站之间的对应潮位预测,取得了很好的结果.