一种改进的Eiman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素，提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测，进而求其收益率。实验模拟结果表明：将改进的Elman模型用于股市投资是可行的，有效的，具有一定的应用潜能，谊模型不仅可以明显提高网络的预测精度，达到快速收敛。而且还能够明显提高股民投资的利润率，实现较大幅度地获得收益的目的。     

一种改进的Elman神经网络及其在股市中的应用

通过在具有动态反馈机制的Elman神经网络的基础上引入时间收益因素,提出了一种改进的Elman神经网络模型并将其用于对股票的综合指数进行预测,进而求其收益率。实验模拟结果表明:将改进的Elman模型用于股市投资是可行的,有效的,具有一定的应用潜能,该模型不仅可以明显提高网络的预测精度,达到快速收敛,而且还能够明显提高股民投资的利润率,实现较大幅度地获得收益的目的。     

改进的OHF Elman神经网络应用研究

为提高Elman神经网络的诊断效率,对OHF Elman神经网络进行研究。在OHF Elman网络基础上引入收益因素,提出改进的OHFElman神经网络,并将其应用于齿轮箱的故障诊断。建立了改进OHFElman神经网络和OHF Elman神经网络两种模型,并对这两种模型进行了仿真。一系列训练与测试结果表明,基于改进OHF Elman网络的齿轮箱故障诊断系统能够提高故障诊断的准确率和效率,可以应用在实际工程故障诊断中,为故障诊断技术提供了一种更有效的方法。     

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.     

Elman神经网络在优化空气预报模式结果中的应用

空气质量与人们的生活息息相关, 空气质量的预测结果是进行空气质量控制的依据. 因此, 提高空气质量的预测精度是本文研究的重点. CMAQ (Community Multiscale Air Quality modeling system)和CAMx (Comprehensive Air quality Model with extensions)是两种常用的空气质量数值模式, 其工作原理是通过大气物理化学方法模拟污染物传输转化过程, 进而预测空气质量. 空气质量数值模式的输入文件质量会影响到空气质量的预测精度, 为了提高空气质量预测的准确率, 本文提出了一种基于Elman神经网络的优化方法, 该方法在CMAQ和CAMx两种空气质量数值模式基础上利用Elman神经网络优化预测结果. 首先, 运行空气质量模式CMAQ和CAMx得到预测结果, 然后对预测结果进行预处理, 处理后的预测数据和实测数据一起作为Elman神经网络的输入, 进行模型的训练, 最后得到神经网络模型. 通过对测试数据集的验证和分析, 实验结果表明, 该方法表现出比单一空气质量数值模式更高的准确率.     

基于Elman神经网络的网络流量建模及预测

根据实际网络中测量得到的网络流量数据,建立一个基于Elman神经网络的流量模型,介绍Elman神经网络的架构设计,并提出一种基于正交最小二乘的学习算法,在此基础上对网络流量进行预测。仿真实验结果表明,该模型具有良好的预测效果,相对于传统线性模型及BP神经网络模型具有更高的预测精度和更好的自适应性。     

基于改进Elman神经网络的网络流量预测

针对网络系统非线性、多变量、时变性等特点,提出一种改进的Elman神经网络模型。在该模型的训练过程中引入了季节周期性学习方法,并对某高校主干网络出口流量进行实验检测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性。最后,通过自适应边界值方法进行检测,能够及时发现异常流量行为,说明该模型应用于网络流量预测是可行、有效的。     

基于GA的改进型动态网络在股市预测中的应用

针对证券市场运作的复杂性,提出了一种改进的Elman动态神经网络模型,并成功地将其应用于东风汽车的股价预测.采用遗传算法对网络结构和权值进行优化,提高了网络的预测精度,加快了收敛速度,克服了以往传统预测方法和静态网络预测方法的缺点.实验结果表明,将改进的Elman网络模型用于股市投资是可行的、有效的,具有一定的合理性和应用前景.     

面向金融数据的神经网络时间序列预测模型

互联网金融风险预测是互联网金融公司决策时的重要一环。本文的研究主要针对Elman神经网络模型,通过引入时间权重与随机性因素,提出了改进的Elman神经网络模型,提高了现有Elman神经网络针对时序数据预测的精度。提出了基于时序数据的特征学习框架,可评估多个特征参数对结果的联合影响。并在此基础上,提出了一个互联网金融风险预测模型,实验结果表明,所提出的模型在金融时序预测中具有更好的准确度。     

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。     

IMPROVED ELMAN NETWORKS AND APPLICATIONS FOR CONTROLLING ULTRASONIC MOTORS

Two improved Elman network models, output-input feedback (OIF) and output-hidden feedback (OHF), are proposed based on the modified Elman network. A recurrent back-propagation control (RBPC) network model is developed by using the OIF Elman network as a passageway of the error back-Propagation. The stability of the improved Elman and RBPC networks is analyzed. Adaptive learning rates are given in the form of discrete-type Lyapunov stability theory, which could guarantee the convergence of the improved Elman and RBPC networks. The speed of the ultrasonic motor is identified using the modified Elman network, OIF and OHF Elman networks, respectively, and some useful comparable results are presented. Numerical results show that the RBPC controller is effective for various kinds of reference speeds of the USM and the proposed scheme is fairly robust against random disturbance to the control variable.     

Temperature decoupling control of double-level air flow field dynamic vacuum system based on neural network and prediction principle

Double-level air flow field dynamic vacuum (DAFDV) system is a strong coupling, large time-delay, and nonlinear multi-input–multi-output system. Decoupling and overcoming the impact of time-delay are two keys to obtain rapid, accurate and independent control for two air temperatures in two concatenate chambers of the DAFDV system. A predictive, self-tuning proportional-integral-derivative (PID) decoupling controller based on a modified output–input feedback (OIF) Elman neural model and multi-step prediction principle is proposed for the nonlinearity, time-lag, uncertainty and strong coupling characteristics of the system. A multi-step ahead prediction algorithm is presented for temperature prediction to eliminate the effects of time-delays. To avoid getting into a local optimization, an improved particle swarm optimization is applied to optimize the weights of the OIF Elman neural network during modeling. By using the modified OIF Elman neural network identifier, the DAFDV system is identified and the parameters of PID controller are tuned on-line. The experimental results for two typical cases indicate that the settling times are obviously shorten, steady-state performances are improved and more important is that one temperature no longer fluctuates along the other, which verify the proposed adaptive PID decoupling control is effective.     

季节周期性Elman网络的网络流量分析与应用

针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出了一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。     

基于改进果蝇神经网络的短期风电功率预测

针对当前风电预测模型计算量过大、收敛速度过慢、预测精度不够等问题,提出通过果蝇优化算法(FOA)对神经网络的初始参数进行动态调整,由于自适应果蝇算法本身具有计算简单、收敛速度快等特点,通过与Elman神经网络的结合,能够降低模型的预测误差、提高模型收敛速度.最后,通过仿真实验与传统预测模型进行对比,结果表明所提出的方法是有效的.     

改进的Elman模型与递归反传控制神经网络

在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果.     

基于AQPSO算法优化的Elman网络模型及其应用

Elman神经网络是一种典型的递归神经网络。提出了自适应量子粒子群优化（Adaptive Quantum-Behaved Particle Swarm Optimization,AQPSO）算法,用于训练Elman网络参数,改进了Elman网络的泛化能力。利用中集集团股票数据进行预测,实验结果表明,采用AQPSO算法获得的Elman网络模型不但具有很强的泛化能力,而且具有良好的稳定性,在股票数据预测中具有一定的实用价值。     

Elman神经网络改进模型在脑膜炎诊断中的应用

为了客观地反映脑脊液（Cerebrospinal Fluid,CSF）所蕴涵的病理信息,研究CSF多变量非线性诊断指标和脑膜炎分类标准的内在联系,提出一种Elman神经网络改进模型辅助诊断脑膜炎疾病的方法。构建2层Elman神经网络改进模型网络训练和仿真的实验结构,分别把85和51例临床病例确诊数据作为训练样本和仿真数据的输入。仿真结果显示,采用Elman神经网络的改进模型应用于脑膜炎疾病的辅助诊断可以达到均方误差10-2精度。Elman神经网络改进模型针对CSF复杂数据关系辅助诊断脑膜炎疾病的智能计算是可行的。