利用互联网搜索关注度预测期权隐含波动率变动:基于人工神经网络的分析

本文运用人工神经网络方法,研究互联网搜索对期权隐含波动率的影响.基于标普500指数看涨期权,本文首先建立了一个揭示期权隐含波动率变化与指数收益率、期权Delta和期权剩余有效期之间关系的人工神经网络模型,结果显示此模型的估计精度比Hull和White (2017)提出的解析模型提升了约15%,比Cao、Chen和Hull (2020)提出的神经网络模型提升了约40%.接着,本文引入25个互联网搜索关注度指标,将它们集成一个谷歌趋势指数并作为度量互联网搜索关注度的综合指标.最后,将该谷歌趋势指数的变化率加入到前述人工神经网络模型,从互联网搜索关注度的角度探究期权隐含波动率的动态特征,新的模型进一步提升了约30%的估计精度.     

应用人工神经网络判别单相牵引变压器励磁涌流

本文就单相牵引变压器励磁涌流判别问题展开研究,提出了应用人工神经网络来识别励磁涌流与短路电流的方法．将试验与MATLAB软件仿真相结合,进行了大量的仿真计算,仿真结果表明,应用人工神经网络识别励磁涌流的准确性较高,且没有误判现象．     

基于机器学习的超高性能混凝土成本优化

近年来,超高性能混凝土（UHPC）凭借其优异的力学性能和耐久性能成为热点研究方向之一,但高昂的成本始终限制其在工程中的应用。提出了一种基于机器学习的超高性能混凝土配合比优化的方法,以降低UHPC的成本。为实现这一目标,首先通过人工神经网络（ANN）建立了UHPC 28 d抗压强度与扩展度的预测模型,再以其为约束条件,同时考虑UHPC组分含量约束、组分比例约束,通过遗传算法（GA）降低UHPC的成本。研究结果表明,ANN模型的预测结果与实验结果的误差在10 %以内,具有良好的预测精度;遗传算法优化后的UHPC成本降低至838.8美元,低于文献中1 000美元的成本。     

应用人工神经网络求解边界层微分方程

打靶法是一种将常微分方程边值问题转化为初值问题求解的方法,分析和计算表明:打靶的过程可用优化算法实现.应用Hopfield人工神经网络算法求解了沿等壁温竖壁自然对流层流边界微分方程,与其他几种优化算法比较,其计算精度较高.应用解非线性方程的Newton法和拟Newton法求解该问题时,初值选择存在不可行区域,而优化算法对初值选择要求较低.     

面向回采工作面的人工神经网络模型

应用人工神经网络方法，以30个工作面的实际资料为样本，建立了面向回采工作面的人工神经网络模型，用来选择工作面的回采工艺方式，预测其单产和工效。     

基于计算机仿真技术的结构疲劳可靠性分析方法

利用人工神经网络建立起载荷级、累积损伤参量及材料性能之间的映射关系·建立了材料疲劳可靠性分析仿真系统,提出了动态失效准则,并利用蒙特卡洛法对随机载荷进行给定分布下的随机抽样处理,将随机离散仿真方法运用于模拟材料性能变化的全过程·通过仿真统计分析出的寿命分布,经部分实验验证,预测精度较高·     

ANN-CA模型改进及城市用地动态模拟

针对传统ANN-CA(artificial neural network—cellular automata)模型在城市动态模拟中用地转换阈值确定繁琐以及全局模拟效果不佳的问题?以ArcGIS和Matlab2012b为开发平台,构建了一个“自上而下”和“自下而上”相结合的改进模型,以重庆市南岸区为例进行土地变化模拟,对比模型改进前后的模拟效果并讨论邻域设置对模型精度的影响?结果显示,改进后模型的模拟结果不论是精度还是Kappa系数都高于传统模型的模拟结果,而且改进后模型转换阈值的设置方便灵活,无需经过多次试验来获取,随着邻域设置范围的增大,模型的模拟精度也得到一定的改善?     

BP网络的最大误差学习算法*

综合了标准ＢＰ算法与“批处理”ＢＰ算法的各自特点,提出了一种新的ＢＰ网络的学习算法,该算法既具有“批处理”ＢＰ算法收敛时迭代次数少的优点,又能克服“批处理”算法对大样本集进行学习时每次计算量较大且收敛时间长的缺点,该算法具有“批处理”算法同阶的迭代次数,但每次迭代所需计算工作量大约是“批处理”算法的样本几分之一。     

基于时频分析和神经网络的水声通信信号识别技术

 水声通信信号识别具有重要的现实意义。传统的识别器是每种调制模式分别设计的检测器,因而运算量随调制模式数量的增加而增加。随着通信技术手段日益更新,调制模式不断翻新,传统识别器已经不能满足快速检测和识别信号的要求,设计统一的特征提取方法以减少检测器的数量非常迫切。从侦收信号的时频分布中提取特征向量,利用人工神经网络对特征向量进行分类,基于此提出了一种新的识别方法。对本文提出的识别器,在使用前增加新的调制模式的样本并重新训练神经网络,使用过程中能实现更多调制模式的识别而不增加运算量。对特征向量的提取方法进行了详细描述,并通过计算机仿真实验,得出了低信噪比时的正确识别概率。     

基于人工神经网络样本优化法识别的河流溶解氧模型

以影响河流溶解氧的3个重要因素(流量、水温、pH)建立了基于L-M算法的BP神经网络模型,用此模型可成功预测黄河水中溶解氧(DO)的浓度.过程中选取四种方法对学习样本进行预处理,利甩处理后的数据训练网络.结果表明采用方法四归一化后的数据预测DO含量效果最好,同时表明线性插值后学习样本的大小对网络预测的精密度有较大提高.