基于神经网络模型评价高技术项目投资风险

简要回顾了人工神经网络的发展历史,介绍了信息计量学的概念和人工神经网络算法在信息计量学领域中的应用,警示了在人工神经网络应用中的"过拟合"现象。在对高技术项目投资风险因素分析的基础上,建立了能够预测项目投资风险的线性神经网络模型,模型避免了"过拟合"现象的发生。通过对有关数据进行实例计算,预测结果表明,该神经网络模型稳定可靠,所获得的结果是令人满意的。     

大型房地产投资项目风险评价的人工神经网络模型研究

大型房地产投资项目在建设过程中存在着大量的风险，投资者在决策前必须对风险进行合理的评价。建立风险评价的神经网络模型，并将人工神经网络理论应用于风险评价中，是投资决策的重要研究内容。     

高层管理者视角下的企业信息化风险评价模型

信息化悖论源于在信息化建设过程中缺乏有效的风险管理,尤其是企业没有从战略的高度全面考虑信息化风险。区别于现有研究偏重于项目层面,基于高层管理者的视角,从信息化战略层和项目层两个层次将风险因素归为六类:信息化战略规划风险、外部环境风险、内部环境风险、项目因素风险、信息系统风险和项目相关人员风险。从而建立信息化风险评价指标体系并构建模糊综合评价模型。以云南能源投资公司为例,运用所构建的指标体系和评价模型对其信息化风险进行评价,结果表明:所建立的风险评价模型能够有效反映其信息化风险的总体状况,可以为企业信息化风险管理提供一种分析模型和手段。     

基于BP网络的水利工程投资风险评价

通过将BP网络应用于工程投资风险评价中,建立了人工神经网络模型．该模型较好地解决了因人为因素而使风险评价值有时不够准确的问题．然后,结合工程实例,进行了各风险因素的敏感性分析,得到了与工程实际相符的结果．     

风险投资的风险指标体系及模糊综合评价模型

在风险投资运作过程中，风险投资公司如何正确地评价投资项目的风险与收益，关系到整个风险投资的成败。主要提出了风险投资项目的风险评估指标体系及评价因素集，构建了定性分析与定量计算相结合的项目风险模糊综合评价(FCE)模型。最后指出，对风险投资的收益也可以通过使用定性和定量相结合的FCE法进行评估。从而通过收益和风险的对比，确定风险投资项目的可行性。     

基于神经网络算法的建设项目风险预测系统设计

利用3层并行分布式人工神经网络连接模型和BP网络算法,以市场前景、资源、原燃料、动力供应、工艺、筹资、布局安全等为预测因子,建立建设项目BP网络风险预测模型,设计建设项目风险预测系统。该系统包括数据管理、模型管理、知识管理和模式转换4个典型组件。该系统实际预测建设项目的很好和失败两种情况时,具有良好的预测效果。     

风险投资项目的模糊综合评价

本从投资环境、投资风险、投资经济效益等三个方面建立了风险投资项目的多层次评价指标体系,提出了风险投资项目的模糊综合评价模型,可为风险投资公司的决策提供参考。     

评价项目投资风险的一种方法

讨论了投资风险的含义及风险与收益的关系，针对现行投资风队评价方法的某些不足，提出了一种将投资项目的风队收益与风险损失结合起来的风险评价方法，通过算例证明该方法可解决现行风险评价方法易出现的几项评价指标结论不一致的缺陷。     

BP人工神经网络在股票预测中的应用

投资越大风险越大,如何建立一个精确度和运算速度相对较高的股市预测模型对于金融投资者具有重大理论意义和实际应用价值.将人工神经网络应用到股票预测上面成为一个新的趋向.将用人工神经网络求解股票预测中的难题成分分析,建立三层BP神经网络并且分析收敛速度,得到当选择的数据合理且具有很好的性质时,拟合效果会更加准确,最终得到股票在短时间内的向.从而说明BP神经网络对于股票价格的预测具有可行性和合理性,进而对提高股民的收益做出帮助.     

基于BP神经网络的农业特色产业投资项目风险评估——以大泽山葡萄特色产业为例

科学评估农业特色产业投资项目的风险有助于项目管理者更好地对农业特色产业项目进行管理,增加管理者对相关知识的了解和风险的防范,是项目顺利实施的基础和前提.从系统性风险和非系统性风险两大方面构建了农业特色产业风险项目风险评估体系,利用BP神经网络模型对其进行评价,运用matlab7.0软件进行实证训练和预测,对特色产业投资项目的风险评估具有较好的参考意义.     

BP神经网络用于函数逼近的最佳隐层结构

研究采用反向传播算法的人工神经网络用于函数逼近时的支结构。方法,以典型的ｎ输入、单输出的多层ＢＰ网为例,在几种不同的网络隐层结构下对典的连续函数进行逼近训练。,分析各网络输出的全局误差。     

基于传递函数优化后BP神经网络对泥石流的危险性预测

泥石流危险性预测的可靠性是防治工程建设与减灾救灾相关工作部署的关键,基于Back Propagation神经网络的预测方法,是目前实现危险性等级划分的有效方法之一。利用BP神经网络算法的非线性逼近能力,挑选陇南白龙江小流域26条典型泥石流沟道,结合当地实际情况,选取泥石流危险性的8个主要因素为输入层神经元,以样本数据危险等级为输出神经元,在测试单、双层隐含层网络性能的基础上,提出9种工况组合的传递算法搭配方案,利用L-M算法搜索最优解或者近似最优解,总结传递算法对泥石流预测模型精度的影响及算法的选择顺序。实验结果显示,隐含层采用tansig函数,输出层采用logsig函数,其模型总体误差最小,模型的R训练集、R验证集较大与R测试集分别为0.983 61、0.709 17和0.960 52,准确率达到96.1%。由此可见,选择合适的传递函数可提高网络模型的精准度,能准确划分泥石流风险等级。     

基于改进GA的WRBF神经网络设计与应用

针对单独自动设计径向基函数(RBF)网络和小波网络过程中对样本要求过于严格,以及输出层线性求和运算可能造成样本类别交叠的问题,结合两种网络结构简单的优点,设计了一种新的四层前馈神经网络--小波径向基网络(Wavelet radial basis network,WRBF).该网络在结构上,第一隐层对输入样本进行小波映射,实现对输入空间的压缩;第二隐层对第一隐层输出进行第二次非线性映射;在网络的训练方法上,利用多阶染色体混合编码实现两隐层间的选择性连接,并对遗传算法(Genetic algorithm,GA)进行改进,利用改进的GA同时优化网络结构和参数.通过对多输入单输出系统和热能表系数模型进行实验,结果表明:改进的GA减小了早熟收敛的发生,所设计的网络具有较高的建模精度.     

改进型BP神经网络的港口吞吐量预测

为了提高港口吞吐量预测模型的适用性,满足港口决策的需求,对传统时间序列BP神经网络预测模型进行改进,将未来三年的吞吐量作为输出层参数,以tansig函数和logsig函数为传递函数,建立了改进型时间序列BP神经网络预测模型,利用trainlm函数训练神经网络,预测未来三年的港口吞吐量。对深圳港集装箱吞吐量进行了预测,结果表明,改进型时间序列BP神经网络模型泛化能力更强,拟合精度更高,且避免了传统预测模型循环预测产生的误差叠加,具有较好的适用性。     

基于多层特征深度融合的卷积神经网络人脸识别方法

针对传统神经网络在人脸图像的训练过程中没有将高低卷积层信息进行融合,为充分利用图像各层特征信息,提出一种基于三层特征融合的全连接卷积神经网络模型,算法将原有网络最后三层特征结合,并将提取的特征信息与最后一层全连接层结合,从而增加了浅层特征的表达,加强了深层特征的提取效果,促使改进后的卷积神经网络提取的信息更加完备;同时将损失函数和中心函数加权联合,以提高人脸图像的识别率和区分性.在CASIA-webface人脸数据库进行的实验结果表明,改进后的网络模型识别率达到98. 7%,优于DCNN等算法,并将训练好的网络模型应用到YALE、PERET、LFW-A等人脸库上,相比其他方法识别率都有所提升.     

优化的粗神经网络在机械故障中的预测研究

为了尽早发现机械故障,做到防患于未然,实施安全生产,在神经网络中引入粗糙集理论和模糊聚类方法,实现建模预测。首先用粗糙集和模糊聚类进行属性约简,去掉冗余的属性。然后根据模糊逻辑规则获取合理的网络输入层、隐含层和输出层,建立优化的粗神经网络预测模型。该模型可以有效地去除神经网络中输入层的冗余神经元,合理的确定隐含层神经元的数目,使神经网络提高了收敛性能,获得更好的非线性逼近能力。应用车床的机械振动采样数据进行仿真实验,结果说明：优化的粗神经网络预测模型,可提取有用信息、简化网络结构,减少训练时间,提高预测精度。在机械振动位移的采样数据预测实验中,取得了良好的效果,对于减少机械故障、实现安全生产、提高经济效益具有重要意义。     

多项式前向神经网络

提出了一种新型的前向神经网络模型-多项式神经网络。该网络具有三层结构,隐层、输出层神经元激活函数分别为：f(x)=x^p和线性函数,网络隐层-输出层的权值采取最速下降法学习,输入层-隐层的权值采用遗传算法进行学习;网络学习时,其误差函数单调递减,学习算法具有较好的收敛性;该网络能逼近任意的连续函数,且具有较好的稳定性,应用实例表明该网络的性能是优良的。     

基于MIVM神经网络模型对合金组元活度的预测

为了使用分子相互作用体积模型(molecular interaction volume model,MIVM)准确便捷预测出合金溶液中组元的活度,建立了活度预测的BP(back propagation)神经网络模型和算法,模型的输入层为合金溶液中组元的实验活度系数,输出层为分子对位能相互作用参数,隐含层设定为一层。采用遗传算法优化BP神经网络模型各结构参数,在遗传算法中使用合金溶液中组元的无限稀活度系数的实验值和理论值的偏差作为适应度函数,以偏差最小为目标进行优化以保证BP神经网络的有效性。最后以Pb-Bi,Sn-Bi,Sn-Pb,Fe-Cu二元合金溶液中组元活度预测为例对BP神经网络模型和算法进行验证。结果表明:组元活度预测值与实验值之间的平均相对误差均小于4%,绝对偏差小于0.78,能满足工程计算要求。     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。