基于PSO优化LS-SVM的小样本非线性协整检验与建模研究

针对小样本非线性时间序列，根据非线性协整的定义，利用基于粒子群优化最小二乘支持向量机的方法，对小样本非线性协整关系检验与非线性误差修正模型建模进行研究，设计了方法的 逻辑流程. 对舰船维修费指数与物价指数进行实证研究，在协整关系类型判断的基础上，实现了小样本非线性协整关系的检验，建立了预测舰船维修费指数的非线性误差修正模型，并与线 性向量自回归模型进行分析比较. 研究表明：基于粒子群优化最小二乘支持向量机的小样本非线性协整检验与建模方法，刻画了小样本系统的非线性协整关系，所建立的非线性误差修正模 型具有较好的预测效果，能够有效地预测小样本非线性系统.     

SOFC的支持向量机(SVM)辨识建模

为了便于固体氧化物燃料电池(SOFC)的性能预测和控制方案设计,提出一种基于支持向量机(SVM)的建模方法,用具有RBF核函数的SVM建立了SOFC电池堆的非线性模型.应用仿真对所建SVM模型的有效性和精度进行了检验,并与BPNN模型的辨识效果进行了比较.仿真结果证明与BPNN模型相比,SVM模型具有较高的建模精度.该SVM辨识模型的建立,对SOFC系统的控制策略研究具有一定的实用价值.     

基于BP神经网络和面板数据的上市公司财务危机预警

在作者前期研究的基础上引入面板数据,以T-2、T-3期财务数据组合的面板数据(panel data)作为研究样本,构建BP神经网络模型对上市公司的财务状况进行预测.实验表明,1)使用面板数据进行的BP神经网络预警分析显示出稳定、连续的预测性能,这正好适合构建具有实际应用价值的中长期预警模型,使模型具有广泛的实践应用价值;2)模型提前3年和4年的预测能力分别为88.46%和75.64%,较之以往同行的研究及作者前期的研究精度均有较大的提高.     

RBF-AR模型在非线性时间序列预测中的应用

研究了RBF-AR模型在非线性时间序列中的建模和预测问题,并把它与其它一些新近提出的模型或方法加以了比较.一种结构化非线性参数优化方法用来辨识此模型.数值实验和比较研究表明采用结构化非线性参数优化方法的RBF-AR模型在预测精度上要大大优于其它一些模型或方法.     

基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型

针对复杂经济系统下时间序列所呈现出的小样本非线性残差特征,采用非线性残差灰色Verhuilst模型进行研究,修正传统计量模型对于残差信息挖掘不够,预测精度不高的问题,在此基础上,选择带有精英策略的EGA算法来建立灰色Verhulst计量组合预测模型,设计了算法实现的逻辑流程和非线性残差灰色Verhulst计量组合预测模型的整体建模思路,提出了改进多准则目标优化NP完全问题的新方法,对模型的预测效果进行比较分析.实证研究表明:基于EGA算法的小样本非线性残差灰色Verhulst计量组合预测模型算法收敛速度快,拟合效果好,预测结果更精确.     

HAR族模型与GARCH族模型对不同期限波动率的预测精度比较——基于沪深300指数高频价格的实证分析

以对收益条件方差建模的GARCH族波动率模型,及对高频已实现波动建模的HAR族波动率模型为考察对象,采用滚动时间窗的样本外预测,结合具有Bootstrap特性的SPA检验法,分别使用4种常用的损失函数作为评价指标,比较了13种常用波动率模型对沪深300指数短期、中期、长期波动率的预测精度。实证结果表明,对数形式的HAR-RV-CJ模型对短期、中期、长期波动率的样本外预测都具有最高的精度,且对长期波动率预测的优势最为显著;对收益条件方差建模的GARCH族模型即便加入已实现波动作为附加解释变量,其预测精度仍无法超越对已实现波动直接建模的HAR族模型。     

基于EMD-PSR-LSSVM的城市燃气管网短期负荷预测

城市燃气管网短期负荷预测对燃气调度系统的安全与稳定具有重要意义. 为了提高城市燃气管网短期负荷预测精度,建立了基于经验模态分解(EMD)-相空间重构(PSR)-最小二乘支持向量机(LSSVM)的组合预测模型. 首先,运用EMD算法把原始非线性时间序列分解为互不耦合的模态分量,并采用PSR算法确定LSSVM建模中各个分量的输入输出结构; 其次,运用PSO算法对LSSVM建模中的参数进行优化,使用训练好的LSSVM模型对各个IMF分量进行回归预测; 最后运用该组合模型对郑州市燃气管网负荷进行短期预测.结果表明:与LSSVM回归预测和BP神经网络预测模型相比,本文提出的组合模型的预测精度更高,是一种更为有效的城市燃气管网短期负荷预测方法.     

多阶段逆模型方法及在胶液生成过程中的应用

针对一类串联型工业大系统,提出了多阶段逆模型建模方法:将串联大系统分为若干个阶段,以产品质量指标作为过程设计的起点,用逆向推理的方法,建立各个阶段的逆模型;根据产品质量指标的要求,直接求出各个阶段的控制变量设定值.将该方法应用于胶液生成过程的软测量建模,采用多阶段建模方法和整体建模方法分别建立了基于BP神经网络的胶液生成过程逆模型,并从误差平方和MSE和命中率等方面对两种建模方法的建模精度进行了比较.结果表明,多阶段建模方法可以获得更高的建模精度;同时,具有更大的灵活性;而且逆模型方法可以根据质量指标求出控制变量设定值,更便于实际应用.     

基于一种改进的RBF神经网络的直接甲醇燃料电池建模

针对直接甲醇燃料电池(DMFC)系统过于复杂，难以数学建模。应用一种改进的RBF神经网络对DMFC系统进行辨识建模。模型以甲醇的浓度和流速为神经网络辨识模型的输入量，电池电压／电流密度为输出量，利用1000组实验数据作为训练和测试样本，建立了不同甲醇浓度和流速下电池电压／电流密度动态响应模型。应用仿真对建模的有效性和精度进行了检验，并与BP神经网络辨识的效果进行了对比。仿真结果证明RBF神经网络比BP神经网络收敛得快，建模精度高，从而为设计DMFC实时控制系统奠定了基础。     

精英遗传改进的非线性灰色神经网络算子与军费开支多目标组合预测应用

军费开支属于复杂经济系统下具有宏观经济特征的一类非线性时间序列。在多目标组合下的军费开支预测问题研究背景下,提出了一种基于精英遗传算法(elite genetic algorithm,EGA)改进的非线性灰色神经网络计量组合预测模型,给出了总体建模思路与非线性灰色神经网络算子分系统和EGA分系统设计方法,解决了多准则目标优化的NP完全问题,并对模型的预测效果进行比较分析。采集美国27年间(1990-2016年)军费开支时间序列进行实证检验,分析结论认为非线性灰色神经网络算子能够有效提高模型精度,EGA算法在收敛速度与精度上优于标准遗传算法,采用所建立的预测模型进行军费开支预测精度更高,效果更好。     

基于递阶遗传算法和BP网络的财务预警

提出一种基于递阶遗传算法和BP神经网络的财务预警模型.现有的BP网络模式分类训练方法大都只能训练BP网络的权重,网络的结构得预先用某种方法确定.利用巧妙设计的递阶遗传算法能够把网络的结构和权重同时通过训练确定.以模式分类数据库中的数据进行训练和测试,并与其他模式分类模型相比较.结果表明,该模型更优,分类精确度更令人满意.根据上市公司的财务数据用所提出的方法进行财务预警是可行的.     

金融控股公司风险预警模型构建及其应用

在选取风险预警指标、构建BP神经网络风险预警模型的基础上,运用MATLAB神经网络工具箱NNT对金融控股公司模型进行模拟实现。采集大陆和台湾的金融控股公司的年报数据,进行数据的统计分析,然后运用金融控股公司风险预警模型对20个金融控股集团样本进行训练,并对剩余的6个金融控股集团样本进行仿真,取得良好的仿真效果。     

基于主成分分析和归一化RBF神经网络优化的财务综合评价

提出基于主成分分析和归一化RBF神经网络优化相结合的财务综合评价方法,克服传统神经网络财务分析中的评价指标偏少、存在局部极小等不足,为公司财务评价提供新的思路和方法,并利用神经网络模型对我国钢铁业上市公司2007年财务状况进行仿真实验,为分析者决策提供准确、可靠的参考依据。     

基于盈利质量的DANP变权财务预警模型

高质量的盈利是企业健康持续发展的基石,财务危机是财务质量的综合表现.以和谐理论为基础,从盈利质量及其各维度的均衡性两方面分析财务危机发生的机理,并依此建立基于盈利质量金字塔的财务危机指标评价体系.考虑到评价指标间存在一定程度的相互影响的现实因素,同时为避免常权综合评价模型的属性值转移,建立决策实验室法的网络层级分析法(DANP)双层惩罚变权时间序列财务预警模型以判断企业财务状况.通过上市公司数据实证,构建财务预警综合评价值的临界区间为[0.6494,0.6547],其值越小财务危机发生的可能性越大,且预测准确率达到91.53%.在理论上对财务危机发生的机理研究具有增量贡献,在实践中对企业自身财务状况的监督具有现实指导意义.     

基于GA-ANN的中国金融安全预警系统设计及实证分析

国家金融体系的安全运行关系到经济社会的稳定,建立有效的金融安全预警系统已成为各界十分关注的焦点.基于现有文献,在金融安全预警指标体系中补充影子银行相关指标,以保证高杠杆、高流动性风险的经济参数参与建模,使得金融安全预警指标体系更加完整;运用因子分析计算七个金融子系统及整体金融系统安全得分,基于遗传算法优化的人工神经网络(genetic algorithm-artificial neural network,GA-ANN)建立中国金融安全预警系统,观察金融系统运行是否平稳、金融安全得分是否出现剧烈波动或异常值,以此判断国家金融状况是否安全,并对2013年我国金融安全状况进行预测.其中,GA-ANN网络较径向基神经网络、反向传播神经网络和广义回归神经网络,具有更好的拟合精度.预测结果显示2013年下半年我国金融系统总体运行安全,但在影子银行、股市和保险子系统存在一定的不安全因素.研究成果为政策制定者和广大投资者对国家宏观金融安全预判提供了参考依据.     

企业财务危机预警Rough-ANN模型的建立及其应用

基于Rough集理论和ANN(人工神经网络)方法建立了企业财务危机预警的Rough-ANN模型,对企业财务危机指标的约简、财务危机知识的神经网络动态学习与推理、财务危机的预测和评定等功能进行了集成,并就企业财务危机预警问题进行了实证分析.其结果表明,该模型有效、可行,为企业财务危机的动态预警提供了一条新的途径.     

引入违约距离的上市公司财务危机预警应用

目前关于上市公司财务危机预警的研究大多数偏重于财务比率指标,忽略了股票价格及波动、企业的经营效率、宏观因素的制约、股权结构等非财务指标的影响。本文尝试区别同类文献研究,在KMV模型的基础上嵌入期权定价模型,通过加入反映上市公司股票价格和波动率的违约距离指标,建立一个相对动态的集财务指标、公司治理指标和违约距离指标于一体的综合财务困境预警模型。在实证基础上检验违约距离指标对于上市公司财务困境预警的适用性及有效性问题。     

排刷式剥叶元件剥叶性能的BP 神经网络预测

由于剥叶性能直接影响到甘蔗收获机械的收割性能,为了客观有效地对剥叶性能进行预测,提出了BP神经网络预测方法.针对剥叶元件性能的特点,采用正交试验法构造训练样本,以保证网络具有较高的泛化能力,同时对该训练样本建立了回归分析模型,以检验BP网络模型的输出精度.在此基础上,利用已建立的神经网络预测模型对影响剥叶性能的各因素取值的不同组合进行仿真分析,以确定各因素取值的最优组合.结果表明,BP神经网络的预测模型比回归模型具有更高的输出精度,进行剥叶元件的性能预测与优化是可行且有效的.     

基于BP神经网络的虚假财务报告识别

针对虚假财务报告的特点,设计了一种基于BP(反向传播)神经网络的虚假财务报告识别模型。根据1999~2002年的年度审计报告意见,从上市公司中,选择确定了44家虚假财务报告样本,并按照一定的标准选择了44家真实财务报告样本,这88个样本构成训练数据集。类似地,从2003~2006年的上市公司中,选择了73家虚假财务报告样本和99家真实财务报告样本,这172个样本构成测试数据集。10个财务指标被选择为识别变量,使用训练数据集对BP神经网络模型进行训练,并将训练后的模型对测试数据集进行测试,取得了较好的实验结果。