神经网络敏感性的定义分类研究

研究了神经网络的输出变量对输入变量和权重变量的敏感性定义,通过分析这些敏感性定义的本质,把神经网络的敏感性定义分为3类:分析学,几何学,物理学.在这3种敏感性定义分类中,对分析学和物理学定义的敏感性进行了模拟实验,实验结果表明,物理学定义的敏感性更适合应用在径向基函数神经网络删除冗余属性上.在解决其他网络的冗余属性问题上,需要进一步研究.     

混沌理论和改进神经网络的居民消费价格指数预测

提出一种混沌理论和改进神经网络相融合的居民消费价格指数预测模型(Chaotic-NN).首先对居民消费价格指数历史样本进行相空间重构,从中发现居民消费价格指数的变化信息,然后采用神经网络建立居民消费价格指数预测模型,并采用粒子群算法优化神经网络参数,最后利用多个居民消费价格指数预测实例对其性能进行验证性测试.结果表明,Chaotic-NN可以全面描述居民消费价格指数变化的非线性和混沌性,拟合度和预测精度都比较高,真实地反映了居民消费价格指数的变化规律.     

敏感性分析在数据挖掘中的应用

对敏感性分析方法及其在数据挖掘中的应用进行了分析研究,并在此基础上提出了将敏感性分析和神经网络模型相结合的方法应用于数据挖掘中的兴趣挖掘和利润挖掘中。最后给出应用该方法对兴趣和利润进行挖掘的执行步骤。研究结果表明,把敏感性分析应用于神经网络能够帮助我们在动态环境中识别对附属变量（如利润）有影响的敏感因素,从而指导决策制定。     

基于可靠度敏感性的神经网络法研究边坡稳定性

针对边坡工程结构功能函数不能显式表达的可靠性分析问题和非线性问题计算量大的弊端．研究结构可靠度敏感性,提出参数的相对敏感性分析方法,并基于该方法提出了神经网络法分析边坡稳定性。具体思路：由可靠指标对随机变量分布参数的相对敏感性分析,确定边坡可靠度主要影响参数;用神经网络模型近似替代响应量与基本变量间的隐式极限状态函数,根据蒙特卡罗模拟法,对网络模型进行可靠度分析,求解结构可靠度指标。基于可靠度敏感性的神经网络法．对均值和成层边坡进行稳定性分析,与传统可靠度计算方法相比．结果表明：该方法分析边坡稳定性是准确的且具有较高的计算效率。     

用神经网络进行投标报价中的变量选择

针对在建筑行业的投标报价过程中，如何在众多的信息中选出对最终报价影响较大的几项因素以及如何确定这些因素与最终报价这间的关系这两大难题，提出了一种基于神经网络的变量选择方法，其基本思想是：经过两次选择，消除了两个多余的变量，将最初的10个变量缩减为8个，并以这8个变量作为输入建立新的报价模型，从网络的泛化结果可以看出，经过变量选择后，网络的泛化能力有了较大的提高，表明了该方法的有效性。     

基于特征价格模型的沈阳市商品住宅价格指数

为了分析沈阳市商品住宅市场情况,根据国内外编制价格指数的方法,结合沈阳市房地产市场的实际情况,采用特征价格法对沈阳市商品住宅价格指数进行研究.选择16个特征变量,采用半对数模型构建沈阳市商品住宅特征价格模型,并对模型进行检验,确定影响沈阳市商品住宅价格的14个特征变量及相互关系.通过价格指数计算公式,计算出2006年至2013年沈阳市商品住宅特征价格指数,得出沈阳市商品住宅价格增速正在逐年减缓的结论,并对未来市场可能出现的问题提出合理建议.     

基于神经网络的建筑工程投标报价预测

针对建筑工程的特点,提出了基于神经网络的建筑工程投标报价方法．采用动量法和学习自适应调整策略改进BP神经网络,建立建筑工程投标标价估计算数学模型,讨论了网络结构的设计、学习算法等问题．采用Matlab计算软件,以淮南市某典型工程资料为例,验证了该模型的正确性及实用性．     

我国物价水平影响因素的实证分析

居民消费价格指数是国民经济发展中的重要宏观监控指标之一,由定性分析预测得出可能影响居民消费价格指数的解释变量,选取我国1996年以来的有关数据,通过EVIEWS软件进行对各变量进行计量分析,建立数学模型分析得出货币供应量、国内生产总值和物价水平有较强的正相关关系,并在此基础上提出建议分析.     

基于遗传算法的RBF神经网络非线性时间序列预测

提出一种基于遗传算法和RBF神经网络相结合的时间序列预测模型,克服了单个神经网络在非线性时间序列预测中容易陷入局部极小值及网络训练速度缓慢的问题.以居民消费价格指数数据进行训练和测试,与传统的BP神经网络预测模型相比较,该模型的预测精度是令人满意的,数值模拟证明了该方法的有效性和可行性.     

基于BP神经网络的水质预测技术

针对城市污水处理厂在生化处理污水过程中测量重要过程变量困难、无法及时检测的问题,提出了基于BP神经网络的预测技术.利用某化工污水处理厂的实际运行数据对提出的BP神经网络结构进行了训练和仿真.结果表明:通过合理选择辅助输入变量,可以实现对过程变量的在线预测.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

基于EMD与BP神经网络的中国股票指数期货价格预测

应用经验模态分解算法（EMD）和BP神经网络理论提出了我国股指期货市场价格走势预测模型。首先应用EMD分解算法把股指期货价格序列分解成不同尺度的内禀模态分量（IMF）,再通过重复试验的方法运用BP神经网络对股指期货价格序列和分解得到的所有IMF的数据序列进行训练,得到股指期货价格的预测模型,并对股指期货价格进行预测。实验表明,通过该方法得到的预测值与股指期货的实际价格有着很高的拟合度。     

基于小波神经网络的期权定价模型

Black-Scholes模型所要求的假设条件在真实的市场条件下往往不能满足.提出了一种新的应用小波神经网络进行预测的欧式期权定价模型.将期权按钱性进行分类, 以一种新的加权的隐含波动率作为神经网络的输入变量,通过小波神经网络模型、BP网络模型和Black-Scholes模型来预测香港恒指买权的价格.实证结果表明,将一种加权的隐含波动率作为输入变量的小波神经网络模型优于Black-Scholes模型和其他神经网络模型.因此该模型可以更有效地预测欧式期权价格.     

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。     

基于BP神经网络电子评标方法的研究和应用

为了解决招投标中评标环节专家评审法随意性大的问题,针对建设工程的不同特点,对评标内容进行分类剖析.利用人工神经网络的智能识别功能,建立基于神经网络的电子评标方法.结合人工神经网络的自适应功能、良好的容错能力以及非线性数据处理特点,科学地评价多因素建设工程投标方案,使招标商从众多的投标商中选出最佳的中标单位.     

小波包与神经网络相结合的股票价格预测模型

小波包较之于小波可以更为灵活地提取分散在不同尺度上的信号特征,结合神经网络也就可获得更好的预测精度,本文按此方式建立了一种混合杂交模型用于股票市场价格波动预测,并为获得最优预测精度,本文利用遗传算法进行小波包最优分解选择和神经网络参数选择。通过对上证综指的实证研究,表明这种混合杂交模型的性能优于同类神经网络模型和基于小波分解的神经网络模型。     

基于BP神经网络模型的中国原材料购进价格指数定量分析

基于中国两次金融危机期间,原材料、燃料、动力购进价格(PPR)指数运行相关性较高的特点,运用改进的BP神经网络模型,在对PPR指数运行进行拟合预测的基础上,对2011年中国PPR指数进行了预测分析,结果显示全年PPR指数预计为105.083 3,说明2011年我国物价上涨压力明显,稳定物价水平是2011年经济工作的重点。     

烟草类消费价格指数预测模型的研究

用神经网络中的：BP网络建立了烟草类消费价格指数预测模型,首先选定历年数据为训练组,初步确定烟草类消费价格指数预测网络结构,然后计算出网络各层上的权重值,并使其达到稳定,通过比较网络精度,确定其最优隐含层层数和各层节点数,从而确定烟草类消费价格指数预测最优模型,使用了LevenbergMarquardt优化方法,克服了传统BP算法收敛速度慢,难以确定隐含层和隐含层节点数的缺陷,从而使学习时间更短,运用该模型对城市居民烟草类消费价格指数进行了预测,用检验样本验证训练结果,绝对误差为-2.0,相对误差为2,0964％,预测某城市3年烟草类消费价格指数分别为97.3752,97.3973和97.400O。获得了可信的结论。     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

基于情感分析和GAN的股票价格预测方法

股票价格具有非平稳性和波动性特点,且投资者容易受自身情感影响,投资决策行为具有非理性特征,因此股票价格难以预测.针对预测股票价格的卷积神经网络情感分析方法存在文本标记分布不平衡问题,本文提出一种基于情感分析和生成对抗网络的股票价格预测方法.首先,建立金融领域情感词典库;然后,使用基于词典的情感分析方法计算金融文本数据的情感极性和投资者每天的总体情感指数;最后,利用生成对抗网络对股市波动进行预测,其中生成器生成股票序列数据,而判别器采用卷积神经网络对生成数据和真实数据进行区分.该方法能动态地更新股票价格预测结果且误差较小.