改进的BP网络在大坝变形监测资料分析中的应用研究

针对经典BP神经网络运行中存在的缺陷,提出了改进的BP神经网络.应用改进的BP神经网络模型对李家峡拱坝各高程的变形监测数据进行了预测,并将其预测结果与实际测量值进行对比分析.结果表明,改进的BP神经网络模型在数据预测方面取得了很好的效果.     

小波与神经网络相结合的网络流量预测模型

针对网络流量序列的非线性和多时间尺度特性,提出了一种将小波变换与人工神经网络相结合进行网络流量预测的新模型.该模型吸取了小波变换的多分辨功能和人工神经网络的非线性逼近能力,对流量时间序列进行小波分解,得到小波变换尺度系数序列和小波系数序列,分别使用RBF神经网络和Elman神经网络进行预测,把两种预测的结果通过BP神经网络合成为最终预测结果.用实际网络流量对该模型进行验证,结果表明,该模型具有较高的预测效果.     

基于改进的Elman神经网络的网络流量预测

在Elman神经网络的基础上提出了改进的网络,根据实际网络中测量的网络流量数据,建立了基于Elman神经网络的流量模型,分别用Elman神经网络和改进的Elman神经网络对实际网络流量进行预测,仿真实验结果表明,改进的Elman神经网络具有良好的预测效果,改进的Elman神经网络具有更高的预测精度和更好的动态性能.     

模糊神经网络在肺癌诊断中的应用

目的:综合运用模糊数学和神经网络知识构建一个模糊神经网络模型,用于肺癌诊断,提高诊断率.方法:以实际肺癌诊断病例中的一部分为训练样本,首先利用隶属函数对样本数据进行模糊化处理,再输入基于BP算法的神经网络,对网络进行训练.用训练好的网络对余下的样本进行预测,并将预测结果与病理专家的诊断以及普通的BP神经网络预测结果进行比较.结果:模糊神经网络模型的预测结果与病理专家的诊断精度相当接近,优于普通的BP神经网络预测结果.     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的.为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型.针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较.实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的.     

基于WNN的两种优化结果在预测控制中的应用*

从优化小波神经网络的角度出发,对两种优化模型从理论上进行建模与推导;根椐预测控制的特点,提出离散小波神经网络模型GA分层优化方法及广义小波神经网络模型优化方法与预测控制相结合的新的应用途径.仿真结果证明了该方法的有效性和可行性,能使实际工程中的预测控制结果得到优化.     

基于灰色神经网络的污水处理厂水质预测研究

针对中小型污水处理厂出水监测设备长期监测精度不稳定的实际情况,利用灰色理论和广义回归神经网络建立了灰色神经网络模型,根据采集到的污水处理厂进水参数对出水参数进行预测,并对灰色神经网络模型和广义灰色神经网络模型的预测结果进行了对比,对比结果表明:这种灰色神经网络模型的精度明显优于广义神经网络模型,适合应用。     

基于小波和神经网络相结合的股票价格模型

针对股票价格构成的时间序列具有随机性与偶然性,传统的单一模型很难满足建模要求的问题,提出一种基于小波和神经网络相结合的股票预测模型.将股票价格进行小波分解成尺度不同的分层数据,分别利用Elman神经网络预测各层数据,将各层的预测结果使用BP神经网络合成最终预测结果.通过实际的股票价格对该模型进行验证,结果表明,该组合模型具有较高的预测效果,可以提高股票价格预测的准确率.     

城市短时交通流预测仿真研究

应用灰色系统和神经网络研究城市短时交通流预测问题。针对目前交通流预测方法难以处理城市短时交通流实时变化以及高度非线性特征,导致实际预测精度差的缺陷,提出了一种基于灰色系统和神经网络的组合模型,利用灰色模型对实际监测到的数据进行拟合、预测。得到预测值和预测残差。将预测残差输入到神经网络模型进行残差的学习、仿真和预测,残差预测值和GM(1,1)模型预测值的和值作为最终预测结果。运用组合模型方法对贵阳喷水池路段交通流量进行预测,实验结果证明了组合方法的有效性、可行性。     

基于灰色神经网络的煤岩界面预测研究

针对井下煤岩界面识别的实际情况,采用相同的初始数据分别建立了B P神经网络模型、小波神经网络模型和串联灰色神经网络模型,并利用三种模型进行预测,预测结果表明:这种灰色神经网络模型残差明显小于其它两种神经网络模型,预测精度较高,适合应用。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

Stock Trading Using RSPOP: A Novel Rough Set-Based Neuro-Fuzzy Approach

This paper investigates the method of forecasting stock price difference on artificially generated price series data using neuro-fuzzy systems and neural networks. As trading profits is more important to an investor than statistical performance, this paper proposes a novel rough set-based neuro-fuzzy stock trading decision model called stock trading using rough set-based pseudo outer-product (RSPOP) which synergizes the price difference forecast method with a forecast bottleneck free trading decision model. The proposed stock trading with forecast model uses the pseudo outer-product based fuzzy neural network using the compositional rule of inference [POPFNN-CRI(S)] with fuzzy rules identified using the RSPOP algorithm as the underlying predictor model and simple moving average trading rules in the stock trading decision model. Experimental results using the proposed stock trading with RSPOP forecast model on real world stock market data are presented. Trading profits in terms of portfolio end values obtained are benchmarked against stock trading with dynamic evolving neural-fuzzy inference system (DENFIS) forecast model, the stock trading without forecast model and the stock trading with ideal forecast model. Experimental results showed that the proposed model identified rules with greater interpretability and yielded significantly higher profits than the stock trading with DENFIS forecast model and the stock trading without forecast model.     

ARIMA和RBF神经网络相融合的股票价格预测研究

针对股票价格的突变性、非线性和随机性,单一预测方法仅能描述股票价格片断信息等缺陷,提出一种股票价格组合预测模型。采用自回归移动平均模型（ARIMA）对股票价格进行预测,捕捉股票价格线性变化趋势。采用RBF神经网络对非线性、随机变化规律进行预测。将两者结果组合得到股票价格预测结果。采用组合模型对包钢股份（600010）股票收盘价进行仿真实验,结果表明,相对于单一预测模型,组合预测模型更加全面、准确刻画了股票价格的变化规律,提高了股票价格预测精度。     

基于改进回声状态神经网络的个股股价预测

当今社会股价预测是研究的热门问题,人们越来越关注对股价预测模型的建立,提高股价预测的精度对股票投资者有实际的应用价值.目前股价的预测方法层出不穷,其中较为典型的有传统的技术分析和ARMA模型等.为了提升预测的精度,同时考虑到股市的非线性,本文提出一种改进的回声状态神经网络的个股股价预测模型,针对回声状态神经网络(ESN)泛化能力不强的特点,应用改进的粒子群算法(GTPSO)对回声状态神经网络(ESN)的输出连接权进行搜索,最终得到最优解,即ESN的最优输出连接权,GTPSO算法概括来说就是在传统粒子群算法(PSO)的基础上引入禁忌搜索算法(TS)中禁忌的思想和遗传算法(GA)中变异的思想,从而降低PSO在学习过程中陷入局部最小值的状况,同时提高PSO搜寻全局的能力.将预测模型用于个股每日收盘价预测中,使用每10天的收盘价预测第11天的收盘价.通过实验验证了模型的正确性,实验证实,该模型拥有较好的预测效果.     

综合改进BP神经网络算法在股价预测中的应用

BP神经网络用于股市等非线性系统的预测具有非常强大的能力。针对标准BP神经网络算法存在收敛速度慢和易陷入局部极小点问题,提出附加动量法和动态调整学习率法相结合的综合改进BP算法。建立了基于改进算法的股票价格预测系统模型,并对青岛海尔股票价格进行了预测。仿真结果表明,相对于标准BP算法,综合改进的BP算法能明显加快网络的收敛时间,用于股价短期预测是有效可行的,并且能够达到较高的准确性,具有一定的实际应用价值。     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

灰色算法在股票价格预测中的应用

股市投资已经成为人们生活中的重要组成部分,在股票市场中人们最关心的就是股票价格的变化.为了更精确的预测股票价格,得到更合理的股票投资意见.文章中提出了利用灰色系统理论对股票价格进行预测,并且利用残差修正预测结果的方法.根据灰色系统理论建立数学模型,利用得到的股票价格求得具体的预测模型及其预测结果,然后对所得结果进行残差修正以得到更精确的股票价格.文章中对华工股票价格进行预测后,发现利用灰色理论对股票价格预测,具有较高的精确度和应用价值.     

基于遗传BP网络的股市预测模型研究与仿真

股票价格走势已经成为人们关注的焦点,为了更精确的预测股票价格,得到更合理的股票投资意见,利用遗传算法全局寻优和BP神经网络局部寻优相结合的方法.提高了传统BP神经网络的计算精度和收敛速度.建立了基于遗传BP网络的股市预测系统模型,对贵州茅台股票价格进行预测.仿真结果表明,经遗传算法改进后的BP神经网络模型在降低计算和预测的平均误差的同时,迭代次数比一般BP神经网络模型也大大减少.因此适用于求解如股市预测等非线性问题,具有较高的精确度和应用价值.     

基于HP-LSTM模型的股指价格预测方法

股指价格时间序列受到长期和短期不同因素的影响,且具有非平稳、非线性等特点,传统计量模型的预测精度较低。为提高预测精度,一些研究将人工神经网络模型用于金融时间序列预测,取得了比传统计量模型更好的效果。提出了一种融合了HP滤波（Hodrick-Prescott Filter）和LSTM神经网络模型的股指价格预测模型,模型使用HP滤波将股指价格时间序列分解为长期趋势和短期波动,利用LSTM神经网络模型分别学习长期趋势和短期波动序列的特征,并分别进行长期趋势和短期波动预测,将预测结果融合得出股指价格预测结果。实验结果表明,提出的HP-LSTM混合模型不仅可以有效捕捉到股指价格时间序列的长期趋势和短期波动的变化规律,提高了股指价格预测精度,并且长期趋势和短期波动都具有相应的经济含义,提高了模型的可解释性。     

基于改进的Elman神经网络的股价预测模型

Elman神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因而非常适用于对股市这一类极其复杂的非线性动力学系统进行预测。文中以深市A股中的个股中集集团(股票代号:000039)的共180天的实际收盘价的时间序列作为预测对象,提出基于改进的Elman神经网络的个股价格预测模型,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。