基于插值-拟合-迁移学习算法的机载设备故障概率预测

针对不同工作环境的机载设备故障概率预测问题,提出自适应权重的插值-拟合-迁移学习 (interpolation-fitting-transfer learning, ITF)算法。算法根据数据量和数据特征(分布相似度和信息熵)对插值、拟合、迁移学习赋予一定的权重进行线性组合。插值和拟合方法可以对故障频率进行平滑,而迁移学习可以规避数据贫化所引起的预测风险。分析该方法的可行性,通过仿真实例展示算法在预测准确度上的优势,并讨论算法中仍待解决的问题和下一步的工作。     

混沌序列的T-SK反馈模糊神经网络预测

针对模糊神经网络预测混沌系统输入节点数目的确定随意性较大及敛速度慢的缺点,提出T SK反馈模糊神经网络(T SKrecurrentfuzzynetwork,TRFN)。同时采用两阶段学习算法:先进行结构学习来确定TRFN的最佳结构,再利用基于混沌动态量的BP算法对神经网络进行参数学习,提高了收敛速度和预测精度。应用此网络和相应的学习算法,对Henton序列进行了预测,与传统的模糊神经网络相比,在节点数目较少的情况下,取得了更快更精确的预测结果,验证了该方法的有效性。     

自适应神经网络在水质预测建模中的应用

东江惠州段水质直接影响着香港和深圳的淡水供应质量,本文根据东江水质自动监测系统的分布情况,提出了由上游水质预测下淡水质和当前水质预测未来水质的两种基于自适应神经网络的东江惠州段水质预测建模方法,给出了基于误差梯度信息的离散神经网络自适应学习算法,用李亚普诺夫方法证明了该自适应神经网络算法的收敛性,仿真结果证明了该方法具有较高的预测精度,且方法简便,适用对象广泛。     

企业财务危机非线性组合预测方法及实证

针对组合预测比单项预测具有更高的预测精度,而线性组合预测方法在建模与预测方面存在着较大的局限性,提出了一种基于模糊神经网络的预测上市公司财务危机的非线性组合建模与预测方法,并给出了相应的混合学习算法。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高、学习与泛化能力强和适应性广的优点。     

一种模糊神经网络自适应预测控制方案的研究

针对现有模糊推理方法的缺点,结合神经网络的学习能力和插值能力,提出了一种新型的模糊神经网络结构。在此基础上设计了一种模糊神经网络自适应预测控制方案,并导出了相应的学习算法。同时引入了预测误差的智能补偿,以提高预测及控制精度。仿真实验表明,该算法能实现模糊控制和神经网络控制的优势互补,在非线性复杂系统的控制方面具备较高的性能。     

一种新的基于模糊模型的非线性组合预测方法及其应用

针对线性组合预测方法的局限性,提出了一种基于T－S模糊模型的非线性组合预测新方法,并给出了相应的反向传播学习算法．理论分析和应用实例表明：该方法具有很强的学习与泛化能力,在处理诸如非线性系统中时间序列的组合建模与预测方面有很好的应用价值．     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

基于遗传预估策略的智能主动队列管理

针对TCP传输过程中的典型时滞特性,提出了一种智能主动队列管理算法.该算法以自学习预估机制模型为核心来克服大时滞特征对网络稳定性能的影响,拥塞控制系统以两条信息通道分别实现模型补偿和预测控制功能.模型补偿通道采用了Smith预估嚣实现对网络时滞特征的动态补偿,并进一步设计迭代进化算法实现对Smith预估模型未建模特征的估计过程.预测控制通道采用基于神经网络的PID智能丢弃算法,通过神经网络的学习预测功能自适应调整预测控制通道的控制行为.通过仿真研究表明了提出的控制方法显著提高了拥塞控制机制的稳定性能和自适应性能.     

多维非线性时间序列的投影寻踪学习逼近

建立了多维非线性时间序列投影踪学习网络结构及算法,证明了投影寻踪学习网络可以以任意精度逼近多维非线性时间序列。解决了基于投影寻学习的多维非线性时间序列的建模和预测问题,实际应用例子表明该算法可行。     

基于神经网络的铅锌烧结过程产量质量预测模型

针对铅锌烧结过程中具有强非线性、时滞的特点,提出一种基于变学习率的烧结块产量质量神经网络预测模型.通过分析过程特性和工况参数的相关性,确定影响产量和质量的操作参数;采用普通的BP(Back Propagation,简称BP)神经网络结构,建立铅锌烧结块产量质量预测模型;在网络训练的过程中,采用变学习率的方法对BP算法进行改进,获得了满意的预测效果,该算法具有较快的收敛速度.将改进的神经网络模型进行仿真实验,结果表明,该模型具有较高的预测精度和较强的自学习功能,从而验证了方法的有效性.     

神经元网络在股价预测中的应用

利用时延神经元网络模型（ＴｉｍｅＤｅｌａｙＮｅｕｒａｌＮｅｔｗｏｒｋ）对四川长虹的股价作了预测。股价的涨跌预报可视作高维空间的非线性分类问题,本文使用增益可调的反向传播算法,对其走势作了预报。借助前馈神经网络对非线性函数的逼近能力,本文对四川长虹股价这个时间序列作了连续若干天的一步预测。最后,我们采用不同形式的误差函数对预测结果作了比较。     

基于T-S模型的模糊神经网络在股市预测中的应用

采用基于 T-S模型的模糊神经网络 ,用改进的遗传算法来训练网络权值 ,隶属函数参数调整算法则采用动量法和学习率自适应调整相结合的策略 ,以上证指数和厦新电子 (个股 )为研究对象予以建模和预测 .结果表明 ,此种模型具有较好的泛化、学习、映射能力 ,对股票市场或类似的非线性经济系统的走势研判或其相应预测决策具有较好的应用价值.     

基于Takenaka-Malmquist自适应时频分布的特征指标——来自上证和深证的数据

股票价格指数度量并反映了股票市场总体价格水平及其变动趋势，包含了丰富的市场信息，受到投资者和政策制定者的普遍关注.利用一定的数学方法对其进行分析和研究，挖掘股指的潜在价值，对加快资本市场治理，提升金融效率，促进国民经济的平稳快速发展具有十分重要的意义.本文利用基于Takenaka-Malmquist自适应傅里叶分解（简称自适应傅里叶分解或AFD）的时频分布，有效提取了股票价格指数的时频特征，分析股票市场的变动趋势.为满足自适应傅里叶分解的要求，首先利用H-P滤波算法对时间序列进行预处理，去除时间序列的趋势项，然后利用AFD算法处理周期项数据，在此基础上得到股票价格指数的时频分布，并进一步分析股指变动趋势.基于自适应傅里叶分解的算法可以有效提取股指在时频两域的信息，避免了单一域分析的缺陷，且比现有的小波分解方法具有更高的分辨率和准确度.为检验指标的有效性，本文利用上海证券交易所的上证综合指数（代码000001）和深圳证券交易所深证成份指数（代码399001）实证检验了指标的有效性，结果表明基于自适应傅里叶分解的时频分布提出的股市技术分析指标可以用于中短期股票市场的变动特征分析.     

中国股票市场信息结构及实证研究

股票市场中存在明显的信息不对称，这是影响股票价格波动的重要因素，文章首先提出信息结构的概念，然后结合中国股票市场特点，描述了股票价值信息和价格波动之间的关系，并分析了信息结构各参数对市场学习过程的影响。结论表明市场随着交易的进行，能够不断调整股票价值变化的预期，最终将事件信息反映到价格之中；市场信息公开程度是影响市场学习能力的重要因素，信息公开度越高，市场学习能力就越好，市场价格反映股票内在价值的速度越快。     

基于ARMA-GARCH-COUPULA模型的交易量与股价波动相依关系

股市交易量与股价变化的相依关系一直是学术研究和投资分析人士所研究并希望解决的问题.研究交易量与股价的相依关系不仅要研究它们之间的相依程度而且还要研究它们之间的相依结构.提出了ARMA-GARCH-Copula函数模型,研究了3个股票市场的日指数对数极差与交易量对数的相依程度和相依结构.研究发现:ARMA-GARCH-Copula函数模型在刻画日指数对数极差与交易量对数之间的相依结构时通过假设检验,日指数对数极差与交易量对数之间存在较强的正相依关系,且具有上尾高、下尾低的非对称的相依现象.     

基于投资者关注的股价走势预测与交易策略设计——股票间交叉模式视角

股票搜索量作为投资者关注的重要代理变量,其变动情况与该股票价格走势的关系得到了学界与业界的广泛关注.另一方面,股票间的价格同步性一直是股票市场中人们重点关注的话题.基于此,本文在个股层面探究了相关股票搜索量变动与目标股票价格走势的关系模式,利用延迟时态关联分析提出了发现股价预测规则的方法,并进一步设计了个股层面的交易策略.同时,本文以我国A股市场股票为研究样本,针对特定场景检验了个股层面交易策略的效果.实验结果表明:利用相关股票搜索量与目标股票价格的关系,可以获得显著的超额收益.     

集合竞价算法对股票价格的影响

构建集合竞价数学模型,设计实现算法,采用理论分析与金融实验相结合的方法,从静态与动态两个角度研究集合竞价机制中的成交价决定原则对股票价格的影响,得到结论: 1)不同的集合竞价成交价决定原则, 产生不同的股票价格;2)从长远来看, 集合竞价成交价决定原则,对股价走势的影响是长期和重大的; 3) 是否引入更少系统风险,集合竞价算法中的中间成交价和参考价格原则并不比最小或最大成交价决定原则好多少.研究结论对证券交易机制设计具有理论和实践指导意义.     

基于双重遗传算法的动态模糊系统设计与优化

设计了一种动态模糊系统模型,该模型能够动态地进行规则自学习,从而减少了规则学习的计算量。提出优化该模型的双重遗传算法:外层采用整数编码,用来训练系统的结构,内层采用实数编码,用来训练系统的参数;内层GA得到的最佳染色体适应值用来评价外层GA相应染色体。该模型结构简单,便于实现,并可离线优化,在线预测。通过应用于实际股市行情的预测和效率分析,不论从预测的结果还是从运行效率看,都收到了满意的效果。     

贮存多种货物的储存系统中的最优调度问题

本文研究存货控制中贮存多种货物，货物单价和仓库系统输出量随时间变化及存在“数量折扣”等情况下的存货控制问题．本文采用了一动态规划算法解决上述问题，算法的复杂性是Ｏ（ｎ２）．     

情绪传染对跨空间股价联动的影响：基于心理安全视角

基于心理安全区理论,研究情绪传染对跨空间股价联动的影响机理,并探究股价联动存在的空间差异规律及原因。利用股吧信息构建高频情绪指数,利用空间距离衡量心理安全性,在此基础上,研究不同空间心理安全条件下的情绪传染效率及其对股价联动的影响。研究发现：情绪联动是情绪传染影响空间股价联动的中介变量;心理安全区理论可以为情绪传染引起空间股价联动这一影响机理提供理论解释;股价联动具有空间差异性,空间距离越远,股价联动性越弱。进一步研究表明：这种由情绪传染引起的跨空间股价联动是由噪音交易者将承载情绪的噪音信息当作价值信息进行交易驱动的;高频数据（时）能更好地捕捉情绪传染对股价联动影响的市场表现。研究结论为更深入研究股价联动问题、监管者加强市场管理及投资者投资决策提供参考。