基于自组织算法的股市预测

在简要地介绍GMDH算法的基础上,讨论了基于自组织算法的股市预测问题。建立带移动平均的预测模型,使预测值可以逐个地得到。以上证指数为应用实例,实验结果表明了GMDH算法在股市预测中的有效性。     

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.     

改进粒子群算法优化 BP 神经网络的短时交通流预测

为提高 BP 神经网络预测模型的预测准确性, 提出了一种基于改进粒子群算法优化 BP 神经网络的预测方法. 引入自适应变异算子对陷入局部最优的粒子进行变异, 改进了粒子群算法的寻优性能, 利用改进粒子群算法优化 BP 神经网络的权值和阈值, 然后训练 BP 神经网络预测模型求得最优解. 将该预测方法应用到实测交通流的时间序列进行有效性验证, 结果表明了该方法对短时交通流具有更好的非线性拟合能力和更高的预测准确性.     

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.     

基于网络搜索和CLSI-EMD-BP的旅游客流量预测研究

准确的旅游预测对于旅游政策制定当局和游客都具有重要意义,可以帮助资源的合理配置并避免拥堵事件和游客滞留事件的发生.为了提高旅游预测的准确性,本文考虑噪声在预测中的干扰,提出一种基于网络搜索的CLSI-EMD-BP预测模型.该模型首先利用CLSI方法对网络搜索数据进行指数合成,并利用EMD对序列进行噪声处理,将高频噪声从原序列中分离,再利用去噪处理后的网络搜索数据对旅游客流量进行预测.实证分析以九寨沟为例对预测期内未来22周旅游客流量进行预测发现,基于网络搜索的CLSI-EMD-BP预测误差显著低于时间序列、网络搜索和BP神经网络三个基准模型.该结论一方面说明了本文预测模型的改进作用,另一方面也表明了噪声处理在预测中的必要性.     

PSO-BP模型在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测BP神经网络法对初始权值敏感、易陷入局部极小点和收敛速度慢等问题,通过对城市时用水量数据特征的分析,应用基于全局随机优化思想的粒子群优化(PSO)算法对BP网络的初始权值进行优化,建立了PSO-BP城市时用水量预测模型.在算例分析中与传统BP神经网络预测法进行对比,发现该方法的收敛速度明显提高,且平均预测精度提高了2%,在用水量短期预测中非常有效.     

基于递阶遗传算法和BP网络的时间序列预测

提出一种基于递阶遗传算法和BP神经网络的时间序列预测模型。现有的BP训练方法只能训练BP网络的权重,网络的结构得预先用某种方法确定。利用很好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。以铁路客运市场数据进行训练和测试,与传统的BP网络预测模型相比较,结果证明该模型的预测精确度是令人满意的,所提出的方法是可行的。     

基于PSO-BP神经网络的城轨列车转向架轮对轴箱故障预测

为更好地预测城轨列车故障率,提出基于粒子群算法优化的BP神经网络(PSO-BP)的故障率预测模型,对城轨列车转向架轮对轴箱进行故障率预测。采用Matlab中的Newff函数,运用误差反向传播神经网络(BP)和粒子群算法优化的BP神经网络(PSO-BP)分别对城轨列车故障率预测、建模和仿真。结果表明PSO改进的BP神经网络故障率预测模型的效果明显优于传统BP神经网络预测模型。     

基于神经网络技术的飞机舵面故障趋势预测研究

在飞机舵面故障诊断系统中,及时准确的故障预报对提高飞机的安全性具有极其重要的意义,针对飞机舵面故障预报系统的设计要求,建立了神经网络故障预测模型以及训练算法,该预测模型采用三层BP网络模型,还对神经网络的预测精度给出了评价函数.最后,为了验证所述方法的有效性,结合风洞实验数据,对某机舵面故障模式之一的方向舵卡死进行了预测和分析,并与传统的ARMA方法进行了比较,结果充分表明了该神经网络预测模型的有效性和优越性.     

基于支持向量机的交通安全预测模型及仿真研究

分析了交通安全预测中指标和影响因子的选择,确定了指标体系和影响因子集合,利用支持向量机(svm)建立交通安全预测模型并进行实例仿真验证.将1953年-2006年全国交通安全相关样本数据分为训练集和测试集,通过训练SVM得到交通安全预测模型参数值,对测试集指标进行预测,计算预测误差,并与BP神经网络预测模型进行对比.仿真结果表明支持向量机建立的交通安全预测模型学习速度快,泛化能力强,有着比神经网络预测模型更高的运算速度与预测精度.     

基于BP神经网络的股市建模与决策

给出一种基于BP神经网络的股票市场建模、预测及决策方法。研制成功了股票预测与系统，只需输入当天收盘价、成交量等七个容易得到的股票信息，系统就能给出下一交易日的买卖决策。通过对综艺股份及许继电气两支股票的预测与决策实验，表明所提方法有效，且易于操作，有实际应用价值。     

跨越连接BP算法及其在卷烟制丝工艺中的应用

传统BP神经网络算法及其改进算法都是非完全全连接神经网络算法,具有收敛速度慢,泛化能力差等不足.通过对神经网络连接方式的转化,可以得到一种完全全连接神经网络--跨越连接神经网络,并给出了跨越连接BP神经网络算法.针对卷烟制丝工艺的仿真实验表明,该算法具备描述复杂数据的能力,与传统BP算法相比,网络训练收敛速度快且泛化能力强.     

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.     

基于模糊推理的自适应BP算法

ＢＰ网络是迄今为止应用最广泛的一种神经网络，但这种算法也存在着收敛速度慢、容易陷入局部极小点等问题．本文在标准ＢＰ算法的基础上提出一种改进ＢＰ算法，称之为自适应ＢＰ算法．这种自适应ＢＰ算法采用模糊规则动态调整学习参数，并且能在学习过程中和学习完成后通过隐节点调整算法优化网络结构，有比标准ＢＰ算法更好的收敛性和更好的泛化能力     

基于GD-FNN的股票市场泡沫模型

针对股票市场内部结构复杂性和外部因素多变性, 构建一种基于预测的股票市场泡沫模型. 以上证指数为研究对象, 在价格和成交量的基础上, 将与股票市场密切相关的宏观经济指标引入泡沫模型指标体系, 并对指标体系中各变量之间长期均衡关系和因果关系进行数量分析. 在此指标体系下, 构建向量自回归模型(VAR)模型衡量股票市场基础价值, 并据此分析宏观经济指标对市场的影响; 同时构建基于椭圆基函数且能够动态调整网络结构的广义动态模糊神经网络模型(GD-FNN)对上证指数进行拟合预测作为股票市场的市场价值, 并通过GD-FNN模型提取的模糊规则对股票非线性系统运行模式进行分析. 最后, 根据预测的股票市场市场价值与基础价值之间的偏差计算泡沫度, 并提出相应的预警策略.     

基于扩展Kalman滤波的神经网络学习算法在股票预测中的应用

给出一种新颖的用于股价预测的基于扩展Kalman滤波的神经网络学习算法。与传统的BP算法相比，该方法具有更好的收敛率和学习能力。通过对股票的预测实验验证该方法的可行性和有效性。     

BP人工神经网络自适应学习算法的建立及其应用

解决了BP神经网络结构参数、学习速率与初始权值的选取问题,并对传统的BP算法进行了改进,提出了BP神经网络自适应学习算法,又将其编制成计算机程序,使得输入节点、隐层节点和学习速率的选取全部动态实现,减少了人为因素的干预,改善了学习速率和网络的适应能力.计算结果表明:BP神经网络自适应学习算法较传统的方法优越,训练后的神经网络模型不仅能准确地拟合训练值,而且能较精确地预测未来趋势.     

重置变结构神经网络及其在风险投资项目评估中的应用

基于神经网络的结构直接影响到网络性能的优劣,进而影响其推广使用,尝试将重置算法应用于经典BP神经网络的结构优化,研究了重置算法中最佳重置时间的性质,提出一种重置变结构经典BP神经网络。通过实例,将重置变结构经典BP神经网络应用于风险投资的项目风险评估中,并与经典BP神经网络的实验结果进行对比。结果表明,重置算法的引入有效地解决了神经网络结构的优化问题。     

混沌时间序列的混合遗传神经网络预测方法

在相空间重构理论的基础上,将改进的遗传算法和神经网络结合起来,提出了一种混合遗传神经网络预测混沌时问序列的方法.通过复相关法和Cao方法重构混沌时间序列,利用改进的遗传算法优化神经网络的结构、初始权值和阚值,然后训练神经网络求得最优解.该算法应用到混沌时间序列的预测中,验证了该算法的有效性,并与BP和RBF算法的预测精度进行了比较,仿真结果表明该算法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度.