基于遗传神经网络的股票价格预测

针对股票市场的复杂性,本文将遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,并将其应用于股票价格的预测。采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度。实践表明：该方法预测精度高、误差小,值得推广。     

基于RBF神经网络的股市建模与预测

提出一种基于ＲＢＦ神经网络的股市预测建模方法,并采用递阶遗传算法训练ＲＢＦ网络的参数、权重和结构,对上证综指和个股（伊利股份）的建模与预测结果表明,该训练方法使ＲＢＦ神经网络具有很强的学习与泛化能力,它在股市这样一个复杂的非线性随机系统建模中具有很高应用价值。     

用于股市预测的BP算法的一些改进

补充分析了影响国内股票综合指数预测效果的一些因素,对学习步长η和矩参数α进行了讨论,分析了不同的能量函数对网络及预测效果的影响,运用一些新方法,进一步提高了预测的可信度和正确度,理论分析和数值实验结果表明,人工神经网络应用于股票市场的预测是可行和有效的,有着良好的前景。     

径向基神经网络在股市预测中的应用

将 RBF神经网络应用于股市的预测中 ,以上证指数和海虹控股为对象进行建模和预测 ,仿真实验表明 ,该 RBF网络具有较好的学习和推广能力 ,对股价的预测达到了较好的效果     

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．     

基于非参数回归的遗传神经网络集成股市预测研究

利用遗传算法改进神经网络集成个体的连接结构和初始连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用非参数回归生成集成结论,求出非线性时序函数的全局最优解,随即建立新型的基于非参数回归的遗传神经网络集成股市预测模型.仿真结果表明,该模型预测精度高,可操作性强,具有一定实用性.     

基于BP神经网络的股票预测

股票投资是一项非常复杂的活动。对股票走势的正确预测是非常重要的。本文基于BP神经网络预测模型,对未来股票的走势进行预测,通过实例分析及实际结果,表明BP神经网络的准确性和科学性。     

基于菌群RBF神经网络的股票价格预测

利用菌群算法提出了一种新的菌群RBF神经网络算法,并将其应用到股票价格预测,同时在预测中引入了技术指标模型。仿真试验表明,相比于传统的RBF神经网络算法,菌群RBF神经网络算法可以得到更好的训练效率和预测结果。     

基于遗传算法神经网络集成股票市场预测研究

神经网络集成技术能有效地提高神经网络的学习能力和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.本文利用不同的神经网络算法产生神经网络集成个体,以误差平方和最小为准则,用遗传算法动态求解集成个体的非负权重系数,进行最优组合集成建模研究,并以此建立股市预测模型.通过上证指数开盘价、收盘价进行实例分析,计算结果表明该方法相对传统的简单平均集成模型,具有预测精度高、稳定性好,易于操作的特点.     

基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

ATM网络中使用神经网络的业务预测

业务预测对ＡＴＭ网络中主要采用的预防式拥塞控制有特别重要的意义,用神经网络进行了业务预测速度快,效果好,本文用神经网络视频业务进行了预测,并给出了计算机仿真结果。     

基于神经网络的自适应控制器的研究

本文研究了神经网络控制未知动态系统的可行性，提出了几种自适应控制结构，并研究了在不同条件下各种结构的性能变化，给出了不同条件下的仿真结果及一些结果分析。图１３，参４．     

基于组合神经网络的软件可靠性预测研究

为了进一步提高神经网络的预测能力,提出了一种前馈神经网络混合学习算法,并将其应用于组合神经网络.该算法由一种模式提取算法(Alopex)和伪逆算法组成.在该混合学习算法中,网络的学习任务被分解为2个部分:隐藏层的权值先随机给定,然后使用Alopex算法不断地对其进行扰动;输出层的权值使用伪逆算法确定.所使用的组合神经网络由多个结构相同的前馈神经网络组成,每个前馈神经网络都使用混合学习算法(采用不同的初值)进行训练.实验结果表明,这种组合神经网络能够显著提高软件可靠性的预测精度.     

基于神经网络的采场底板分类与顶板来压预报

建立了长壁工作面底板分类及单体液压支柱底座选型的人工神经网络（ＢＰ网络）模型，并通过网络自适应学习与匹配联想，得出了采场底板类别与单体液压支柱底座型式相对应的结果。同时，通过邻城相互作用算法与ＢＰ网络耦合，预报了采煤工作面顶板来压。网络试验表明，所得结果与实际吻合良好。     

共轭梯度神经网络的研究

针对ＢＰ人工神经网络存在的两个缺点：（１）局部收敛问题不能很好解决；（２）收敛速度慢，提出应用改进共轭梯度算法建立人工神经网络，以获得共轭梯度网络的全局收敛特性和快收敛速度。计算机仿真结果表明：改进巫轭梯度网络优于ＢＰ网络。     

基于神经网络的矿井井型确定方法

研究了基于神经网络的矿井井型确定方法，为矿井设计提供了一种崭新的工具，应用表明，该方法是切实可行的。图２，表２，参４。     

基于神经网络的喘振早期发现

分析并指出了压缩机组防喘振控制系统的缺陷，在此基础上，针对机组发生哮喘振与机组工艺参数间的关系，建立了一个基于神经网络模型喘振预警系统，以帮助现场机组操作人员及早发现喘振。     

基于自适应遗传算法的RBF神经网络优化算法

针对传统遗传算法收敛速度慢的缺点,本文将改进后的遗传算法应用于RBF神经网络,对隐层中心和宽度值进行同步优化,并在复杂非线性函数的逼近实验中证明了本文算法相比传统遗传算法在搜索全局最小点的速度上得到了很大提高.     

基于人工神经元网络模型的预测控制研究

研究了基于人工神经元网络模型的非线性预测控制，所采用的网络为一种将线性模型与多层前向网络相结合的ＤＬＦ网络，仿真结果表明，该“混合网络”易训练，收敛速度可大大加快，在ＤＬＦ模型的基础上，本文研究了一种非线性预测控制算法，它的显著特点是在线计算量小。对于一非线性过程－球形罐液位的仿真结果表明，基于ＤＬＦ的非线性预测控制效果颇佳。     

图像的小波系数神经网络预测编码

提出一种图像的小波系数预测编码方法。在该方法中,原始图像被分解为一个小尺寸的低频图像和一系列不同方向的多分辨率细节子带图像（小波系数图像）,由于不同分辨率的小波系数图像具有相似性,故可用低分辨纺小波系数来预测同一方向相邻较高分辨率的小波系数。采用Ｂ－Ｐ神经网络作为非线性预测器有效地实现了这种预测,结果表明,利用这种编码算法可获得高图像压缩比。