组合预测模型在股指短期预测中的应用——以上证综合指数为例的实证分析

本文分析了自回归移动平均模型(ARIMA)与BP神经网络模型在预测方面的特性和模型各自的优缺点,在此基础上尝试建立了ARIMA和BP神经网络的股指组合预测模型。ARIMA与BP神经网络组合使用的基本原理是股指时间序列数据可分解为线性部分和非线性残差部分。本文以上证综合指数为例,首先采用ARIMA预测上证综合指数的线性变化趋势,然后采用BP神经网络对上证综合指数的非线性趋势进行拟合,最后整合两种模型的预测结果。仿真结果表明:组合模型提高了对上证综合指数的预测精度,证实了组合模型在股指预测方面的有效性。     

小波包与混沌和神经网络相结合的人民币汇率预测研究

为了更精确地预测人民币汇率,基于小波包与混沌和神经网络相结合提出一个三阶段时间序列预测方法。首先对汇率序列进行小波包分解,并对分解后所得到的各子序列作混沌分析与判定;然后,基于混沌理论与神经网络相结合分别构建各子序列的混沌-神经网络预测模型;最后,将各个序列的预测结果进行重构,得到最终预测结果。实证结果表明,该方法具有较高的预测精度,可以为人民币汇率提供更加准确的预测。     

蚁群神经网络用于股票价格短期预测

股票价格是非线性时间序列,传统BP神经网络预测模型存在容易陷入局部极小和收敛速度慢的缺陷。本文针对这些问题,采用蚁群神经网络预测模型用于预测股票价格,该模型将蚁群算法作为训练神经网络的学习算法。实验数据表明,该模型对于股票价格的短期预测效果与传统BP神经网络预测模型相比,具有较好的自适应性及较快的收敛速度。     

基于Elman网络的上证股市开盘价预测研究

股价预测一直是金融领域经久不衰的研究领域。由于影响股价变动的因素有很多,造成了股票价格预测的复杂性。为了更好的预测上证股市在短期内的开盘价,本文采用了处理时间序列数据更具优越性的Elman神经网络,对上证股市连续一段时间内的开盘价进行了预测,实验结果表明本文采用的方法具有较高的预测精度,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股市开盘价的短期预测是可行和有效的。     

上证综合指数的非趋势化处理和谱检验研究

对上证综合指数每日收盘数据进行非趋势化处理,并对经过处理后的股票指数数据进行了功率谱检验,找出具有混沌功率谱特征的时间序列所对应的去趋势化方法,为后续计算股票指数的关联维数和李雅普诺夫指数等提供了有效的数据处理平台,以便对股市进行有效的预测和研究。     

基于混沌理论的房地产价格短期预测

本文应用混沌理论对房地产价格进行分析预测,在重构相空间的基础上,计算关联维和最大Lyapunov指数,实证房地产价格时间序列的混沌性。运用RBF神经网络对重构时间序列进行混沌预测,并得出相关结论。     

三种神经网络对上证指数预测的研究

对金融时间序列的预测在投资决策以及风险规避中具有重要的意义,其中的股票市场走势预测始终是金融市场预测领域的热点和难点。本文通过对BP神经网络、径向基神经网络和小波神经网络的预测效果进行比较,发现BP神经网络在上证指数预测中具有较高的准确性。     

遗传神经网络在电信业务收入预测中的应用研究

误差反向传播神经网络(BPNN)由于优越的非线性数据处理性能以及较强的学习能力而被广泛地运用于电信业务的预测当中。然而,神经网络常常存在着收敛于局部最优解、学习时间长等缺陷而影响其预测效果,而遗传算法(GA)是一种全局寻优搜索算法,能够有效克服上述缺陷。本文针对影响电信业务收入的主要因素,将BP神经网络与遗传算法有机结合起来,建立了相应的遗传神经网络模型用于电信业务收入预测,并利用实际数据进行效果验证。实验表明,该预测模型具有很强的学习能力和自适应性,其预测结果优于BP神经网络模型,而且具有良好的泛化性。     

基于GA-BP神经网络的顾客满意度测评研究

本文利用遗传算法与神经网络的特性,建立了基于GA-BP神经网络的顾客满意度测评模型。该模型首先将BP网络的权值和阈值通过遗传算法进行优化,然后对BP网络进行训练。网络最终测评结果较BP神经网络更有效、准确。通过某商场实例数据证明此测评模型收敛速度快、预测精度高,为顾客满意度测评提供了一种实用的方法。     

小生境遗传算法优化的神经网络在股票价格预测中的应用

股票价格是受多种不确定因素影响的非线性问题。文中将小生境遗传算法用于BP神经网络的训练过程,建立了相应的优化模型,即用它来优化神经网络的连接权。依据小生境遗传算法的神经网络,提出一种股票预测的新方法。实践表明:该方法具有预测精度高、误差小的优点,值得推广。     

一种新的混沌扩频序列产生方法

本文提出了一种新的混沌扩频序列产生方法。该方法基于神经网络的强大学习能力和副近非线性函数能力，应用具有全局最优的ＢＰ改进算法通过训练学习建立起具有混沌性态的优化神经网络模型，利用网络权值调整的灵活性来产生混沌扩频序列。计算机仿真结果表明，该模型产生的混沌扩频序列调整更容易，比基于单一混沌映射能产生更多符合扩频通信要求的扩频序列。     

基于遗传神经网络的财务危机预警研究

针对基于神经网络的财务危机预警方法模型结构复杂、收敛速度慢且容易陷入局部最小的缺点,提出基于遗传神经网络的财务危机预警方法。首先对神经网络模型的结构和参数进行编码并将其串联,形成一个个体,随机产生N个个体形成初始种群。然后分别进行复制、交叉和变异操作,得到神经网络的结构和初始参数。再通过BP算法对该神经网络进行训练,训练后的神经网络即可实现财务危机预警。测试结果表明,该模型训练速度快、预警精度高。     

改进BP神经网络在企业网络营销绩效评价中的应用

在研究网络营销本质及其绩效特征的基础上,建立企业网络营销绩效评价指标体系并采用BP神经网络建立评价模型。为了克服传统BP神经网络容易陷入局部极小、收敛速度慢的缺点,通过采用LM算法和学习速率的自适应调整来建立新型的BP神经网络,利用模糊综合评价法生成训练样本。该评价模型有效地利用了BP神经网络的优点,避免了评价过程的人为失误。仿真试验表明,该模型取得了较好的效果。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上，针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题，提出了一种新型的粒子群优化(PSO)算法与后向传播（BP）神经网络相结合的算法。BP网络算法权值的修正依赖于非线性梯度值，易形成局部极值，同时学习次数较多，需先通过粒子群算法进行优化。为了提高定位精度，首先采用速度常量法滤波处理，然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化，并分析算法的性能。试验中隐层节点个数采用试错法，从12到19变化，以确定合适数目。实验结果表明，与一般加权算法和传统BP算法相比，改进的混合优化算法可大幅改善测距误差对定位误差的影响，同时可使25 m内最小定位误差小于0.27m     

基于PSO-BP神经网络的DOA估计方法

提出利用粒子群算法优化BP神经网络来改善来波到达角估计性能的方法。传统的BP神经网络 易 陷入局部最优,因此采用粒子群算法对网络的权值和阈值进行优化,并将其应用到来波到达 角估计中。所提方法仅利用阵列协方差矩阵的第一行作为来波方位特征,与常用的 协方差矩阵 上三角特征相比,在不损失有效方位信息的基础上使特征维数极大降低。仿真实验 证明：同经典的RBF神经网络方法相比,基于所提方法的神经网络结构更简洁,泛化性能更 好,来波方位估计精度更高。     

移动传感器网络的安全性能智能预测

移动传感器网络的物理层安全问题日益复杂,已经成为了一个研究热点。为了及时处理网络安全事件,研究了移动传感器网络的安全性能预测,提出了一种基于灰狼优化广义回归（Grey Wolf Optimization-Generalized Regression,GWO-GR）神经网络的安全性能智能预测方法。该方法利用发射天线选择策略,推导了非零安全容量概率性能的精确闭合表达式。仿真比较了所提方法、反向传播神经网络、广义回归神经网络、支持向量机等方法,结果表明,所提方法可以实现更好的预测性能,提高安全性能预测的实时性。     

一种基于神经网络提取旋波材料参数的新方法

提出了一种从测试的S参数中提取旋波材料参数的新方法——神经网络法。针对旋波材料参数的自由空间测试方法，本文采用BP神经网络来构建映射模型，利用不同算法对网络进行训练，从而获得所需的网络。结果表明，该方法计算速度快、精度高，解决了求解非线性方程组解的模糊性问题，确保了测试结果的可靠性。该方法所构建的网络可用于材料测试后旋波材料参数的快速提取。     

企业知识资本对企业绩效影响的BP网络模型研究

在实际企业系统中,企业知识资本对企业绩效的影响关系可能是非线性的、复杂的。为了探讨知识资本对企业绩效的影响,设计企业知识资本对企业绩效影响的BP神经网络模型,包括网络结构设计、网络学习与泛化能力检验和网络应用等内容。     

混沌神经网络及其在保密通信中的应用

具有高度复杂非线性动力学特性的混沌神经网络系统已成为近年来进行加密通信应用研究的热点课题。本文首先概括了混沌神经网络的一些主要理论模型及其非性动力学系统的特点和复杂性，并分析人们如何利用混沌神经网络的系统的这些复杂非线性特点，如混沌同步和混沌吸引子等，进行加密通信的基本算法原理，最后总结有关混沌神经网络及其加密通信应用中所需要进一步研究的一些课题。     

基于BP神经网络的中小企业生产运作能力评价研究

为了提高中小企业生产运作能力,建立了中小企业生产运作能力评价指标体系,并利用BP神经网络建立了中小企业生产运作能力的评价模型。为减小希望输出与实际输出之间的误差,从输出层神经元到输入层神经元逐层反向修正各连接权,并在网络训练学习的过程中不断执行误差反向传播修正,以提高网络对输入模式响应的正确率。