结构逼近式网络和并联网络对CSTR的建模比较

利用-种新的混合神经网络的建模方法.结构逼近式混合神经网络对一类典型的化工连续搅拌釜反应(CSTR)过程建立了数学模型.介绍了这类混合神经网络的基本特性、拓扑结构和训练方法.该方法充分利用了已知非线性系统的结构信息和特点,使神经网络"恢盒"化,更好地解释和描述系统各变量间的因果关系,从而提高网络的建模精度.并利用两种不同的网络验证方法,将结构逼近式混合神经网络和一类典型的"黑箱'模型.并联混合神经网络做了比较说明,结果证明了方法的有效性.     

基于多重分形谱的神经网络建模及股价指数预测

基于多重分形理论,对上证指数进行实证研究,确认了多重分形谱参数与股价指数及股指收益率之间的统计关系,以此确定神经网络的输入、输出变量来构建以多重分形理论为依据的神经网络模型,并将其应用于股价指数的预测中.结果表明,该神经网络模型能够取得比较好的预测效果,预测的平均准确率达98.9%,而且该模型能够较好地模拟股市的短期走势,对防范和控制风险具有现实意义.     

基于EMD与神经网络的中国股票市场预测

应用EMD分解算法、混沌分析和神经网络理论提出了一种中国股票市场建模及预测的EMD神经网络模型.首先应用EMD分解算法把原始股市时间序列分解成不同尺度的基本模态分量,并在此基础上进一步分析, 表明中国股市存在混沌特性;再经混沌分析和神经网络进行组合预测,提高了模型对多种目标函数的学习能力, 有效提高了预测精度. 实验表明:与现有方法相比, 该方法具有较高的精度.     

基于信息扩散模型的股市周期波动分析——国际经验与国内应用

本文建立了一个基于信息扩散的资产定价模型,刻画投资者在事前乐观预期落空后对真实基本面的渐进认知和预期修正过程,以及由此引起的资产价格走势特征.模型的解表明,调整期的资产价格会在"时间-空间-波动"三个维度上呈现出相互替代关系.本文利用国际股市在近几次国际金融危机期间的数据,验证了该替代关系的存在,并分析了中国股市历次周期波动的特点.从"时间-空间-波动"的维度看,我国股市2015年的"异常波动"依然属于市场自身周期规律的重现.本文证明了波动作为信息的载体能够嫁接起金融市场调整期的时间、空间特征,在实践上为给监管层实现合意的调控目标和以及投资者优化中长期投资策略提供了新的分析工具和视角.     

可加模型及其在金融市场波动率估计中的应用

放宽了传统GARCH模型参数形式的假定,将可加模型引入条件方差的估计,改进了Btihlmann和McNeil提出的迭代算法,并将其用于可加GARCH模型的估计.通过能够模拟真实波动率的数学实验,以及新加坡股市和不同市场股市比较的实证算例,发现可加GARCH模型不仅在估计现有参数模型无法刻画的复杂序列波动率时具有更好的估计效果,而且与一般非参数模型相比也有较好的估计效果.因此,可加GARCH模型对研究新兴市场股市或诸如金融危机等存在复杂波动特征的金融市场有着非常现实的意义.     

基于贝叶斯原理的随机波动率模型分析及其应用

基于贝叶斯原理,对随机波动性模型进行研究,并将随机波动率模型应用股市风险价值VaR的估计与预测.针对中国股市数据进行的实证结果表明,与GARCH模型相比,随机波动率模型能更好地描述股票市场回报的异方差和波动率的序列相关性;基于随机波动率的VaR较GARCH模型的VaR具有更高的精度.     

我国信贷资金流入股票市场、房地产市场的实证估计

以贷款总额、M2、工业增加值、CPI为变量,构建VAR模型,对我国曾出现的信贷资金流入股票、房地产市场的数量进行实证估计.模型以经济理论为基础, 在通过经济检验和统计检验的基础上,对信贷资金流入股市房市的数量做出估计. 实证结果表明:2007、2009年有大量的信贷资金流入股市房市,并且2007年底股市见顶前最后几月不断有场外资金流入;模型还探讨了资金从股市房市中流出的情况,发现2005年有大量资金从股市房市中流出,特别是2005年股市见底前最后几个月资金持续从市场中流出.基于模型的估计结果,能够对过去几年我国经济中的一些重要现象做出更好的解释.另外将模型应用于股市资金流向的监测, 利用监测结果模拟了一个趋势投资,回溯检验发现趋势投资收益远强于市场表现.     

Elman与BP神经网络在矿井水源判别中的应用

介绍了Elman神经网络与BP神经网络,以谢一煤矿为例,分别利用Elman网络与BP网络,针对地下水化学特征分别建立突水判别模型,实例结果表明:Elman网络模型比BP网络模型具有更高的判别精度,更快的运算速度,更好的反应地下水系统特性,为矿井水害防治提供了一种辅助决策手段.     

车路集成系统探测车数据采集仿真研究

在解析车路集成系统探测车数据采集过程和基本规则的基础上,提出了基于VISSIM商业仿真系统组件对象模型接口对车路集成系统探测车数据采集进行仿真的方法,并开发了相应的仿真原型系统.该原型系统通过在VISSIM仿真平台上嵌入路边设备和车载设备功能,可以灵活地描述路边设备分布、车载设备瞬时记录触发时刻、车载设备标识码、瞬时记录留存策略等探测车数据采集参数的取值和确定方法,从而可真实地模拟车路集成系统以"车载设备移动检测,车路数据交互"为特点的数据采集过程.     

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.     

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。     

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。     

LM-BP算法在金融股指预测中的参数设定

针对股价系统内部结构的复杂性、外部因素的多变性,分析了基于BP网络进行股市预测的原理,利用三层前馈神经网络对股市建立预测模型,探讨了网络的拓扑结构、隐节点个数确定的原则、样本数据的选取和预处理、初始参数的确定等问题.为了避免网络陷入局部最小点和提高网络的收敛速度,算法采用改进后的LM-BP,并与其他BP算法进行比较.以最具代表性的上证指数为例,仿真实验表明了经过对筛选后的样本学习,并对所建的预测模型进行训练后,该LM-BP算法能够对有短期上证指数走势进行有效稳定预测.     

A multiscale modeling approach incorporating ARIMA and anns for financial market volatility forecasting

The financial market volatility forecasting is regarded as a challenging task because of irreg ularity, high fluctuation, and noise. In this study, a multiscale ensemble forecasting model is proposed. The original financial series are decomposed firstly different scale components （i.e., approximation and details） using the maximum overlap discrete wavelet transform （MODWT）. The approximation is pre- dicted by a hybrid forecasting model that combines autoregressive integrated moving average （ARIMA） with feedforward neural network （FNN）. ARIMA model is used to generate a linear forecast, and then FNN is developed as a tool for nonlinear pattern recognition to correct the estimation error in ARIMA forecast. Moreover, details are predicted by Elman neural networks. Three weekly exchange rates data are collected to establish and validate the forecasting model. Empirical results demonstrate consistent better performance of the proposed approach.     

证券市场预测的神经网络方法

首先讨论了证券市场的各种影响因素、预测分析方法和定量预测模型的选择。然后运用神经网络模型的非线性映射能力和学习联想能力，提出了证券市场预测的通用模型。最后通过一个证券买入时机预测的实例，证明了该模型的有效性.     

股市预测中的小波神经网络方法

首先论述了股市时间序列中的明显随机性 ,可能是由于非线性确定性系统中混沌行为的缘故 ,利用混沌的确定性可以进行短期预测 .混沌时间序列预测首先要重构相空间 ,接着充分利用小波变换时频分析的局部化特性 ,提出了一种改进的小波网络结构 ,探讨了股市预测模型问题 .经实例验证 ,该方法能有效地提高预测精度 ,避免了人工神经网络模型和指数自回归的固有缺陷 .     

基于二进制神经网络集成的潜在通路分析

针对神经网络在潜在通路分析应用中的缺陷,提出了二进制神经网络集成(BNNE)算法。该算法结合了二进制神经网络(binary neural network,BNN)和神经网络集成(neural network ensemble,NNE),NNE的个体成员是BNN,集成算法采用GASEN算法,其输入为电路开关状态,输出为预测功能。通过比较特定开关状态下的预测功能和设计功能之间的差异,判断是否存在潜在通路。该算法综合了BNN、NNE的优点,可以有效提高神经网络的泛化能力和潜在通路分析的可靠性,仿真试验验证了算法的有效性。     

基于神经网络、多分辨分析和动力学重建理论的股市趋势预测

根据动力学重建理论和多分辨分析的基本思想 ,利用小波变换重构股市系统的光滑吸引子 ,从而避开了预测的不适定问题 .以重构的状态矢量作为神经网络的多维输入 ,以上海证券交易所的上证指数为例 ,分别对 1 999年的 5 .1 9行情以及 2 0 0 0年的 2 .1 4行情后的几个关键点位进行预测 ,结果表明 ,效果是令人满意的.