基于BP神经网络的ETC系统客户的流失分析研究

文章应用神经网络数据分析技术研究ETC系统客户流失的状况,详细研究了如何建立ETC系统客户流失基本模型。通过对客户的基本数据进行神经网络预测,可以发现描述流失客户基本特征的属性值集合以及对应的是否流失的结论。文章给出的是改进的神经网络的预测方法,可提高BP神经网络的收敛速度,增强网络的泛化能力,获得了很好的效果。     

基于DFNN的金融股指预测及金融非线性系统辨识研究

针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络（DFNN）进行金融股指预测。DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率（ERR）修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力。本文以上证指数为例．通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析．表明DFNN预测上证指数的偏差较小,预测的方向准确性较高。通过DFNN模型提取的模糊规则对金融系统运行模式进行分析．为研究金融非线性系统辨识提供了启发性思路。     

基于GRNN神经网络的货运量预测研究

文章以全国统计局货运量的历史数据为基本数据,考虑影响货运量的8个因素,采用GRNN模型对货运量(货运总量、铁路货运量和公路货运量)进行预测,并将结果与真实值拟合比较。结果表明:该方法在预测货运量方面能够达到较好的效果,尤其在径向基函数的扩展速度为0.4时,预测结果最好。     

人工神经网络在经济预测中的应用

研究了人工神经网络在经济预测中的应用问题,探讨了人工神经网络的时间序列预测方法。该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具。文中提出了一种基于BP网络时序预测通用方法,并通过实例验证了该方法的预测精度明显高于灰色系统预测方法。为了消除单一神经网络预测模型的系统偏差,探讨了组合神经网络时序预测方法;并用实例验证了组合神经网络比单一神经网络的预测精度高。     

马鞍山市现代物流发展现状、问题及对策

文章依据详实的调查数据,运用统计方法对马鞍山市物流业发展现状和存在的问题进行了深入的分析,在此基础上．通过灰色预测得出未来马鞍山市物流业发展空间广阔,并就如何加快马鞍山市物流业的发展提出了相关对策建议。     

Ensemble RBF modeling technique for quality design

This paper proposes an ensemble radial basis function neural network that selects important RBF subsets based on Pareto chart using Bootstrap samples. Then, the analysis of variance method is used to determine the choice of the unequal/equal weights. The effectiveness of the proposed technique is illustrated with a micro-drilling process. The comparison results show that the proposed technique can not only improve the model prediction performance, but also generate a reliable scheme for quality design.     

基于神经网络的股市资产收益率识别

本文以BP神经网络来识别中国股市不同行业未来的资产收益率,来检验财务数据的有效信号的假定,输入神经元选取了安全性指标、盈利性指标、成长性指标、现金流量结构分析指标四大类指标,共15个最为经典的财务指标,用以预测不同行业的未来超额收益率。预测结果显示,平均预测误差为0.7%,表明神经网络在分析行业未来盈利能力有很强的分类功能。模型分析证实财务数据在行业层面上有十分强烈的信号。同时,预测方法为投资者掌握未来投资资金流向有实用价值。     

对立交桥选址建模的初步探讨

本文提出了立交桥选址问题的0－1规划模型。该模型以平均车速和对路网交通均衡的作用为目标函数，考虑了立交桥选址的各项约束条件。考虑由计算机实现隐枚举法求解。在解的过程中该规模规划与交通流量分配模型不断相互作用。     

城市干道交通拥堵识别技术研究

为快速有效地进行城市干道的交通拥堵识别,文中提出一种基于朴素贝叶斯的城市干道交通拥堵识别算法。最后,基于南京市主干道的交通调查数据,对朴素贝叶斯算法以及基于径向基函数神经网络的城市干道交通拥堵识别算法进行对比。结果表明,朴素贝叶斯算法在对城市干道交通状态的识别上比基于径向基函数神经网络算法具有更好的准确性、优越性以及更低的误判率。     

基于大数据的计算机网络信息安全防护措施

大数据是基于云计算技术开发的一种集成技术,可以通过分析、计算和处理大量数据信息来实现这些数据的价值。然而,随着大数据时代的到来,现有的计算机网络面临着新的挑战,特别是网络安全问题逐渐浮现,计算机网络带来的安全隐患导致用户个人的隐私受到了威胁,所以有必要加强网络信息安全工作的部署,以尽早遏制这些安全风险,并确保计算机网络的安全运行。     

移动通信网络优化现状及发展趋势

移动通信网络始终处于动态变化中,并且其用户群体庞大、移动性高、话务密度甚是不均匀,由此造成用户手机与基站的信号连接不顺畅,致使通信质量下降的现象。而移动网络优化技术可以有效的改善此局面,提高通信质量。文章介绍了移动通信网络优化的基本概念、存在现状,并对其发展趋势及方向做了总结预测。     

基于闭包系统划分的概念格并行构造算法

随着处理的形式背景的增大，概念格的时空复杂度也会随着急剧增大。研究新的方法和手段来构造概念格，是概念格技术应用于大型复杂数据系统的前提．提高其构造效率的一种有效途径是利用高性能并行计算机和网络并行计算的能力，因此概念格的并行构造算法已成为众多学者的一个新的研究方向。概念格的并行构造思想就是根据不同的原理，采用分治策略，通过对形式背景的拆分，形成分布存储的多个子背景，然后构造相应的子概念格，再由子概念格的合并得到所需的概念格。目前建格算法的分布处理研究主要有形式背景的并置和叠置以及形式背景的折叠搜索子空间划分两种方法，本文在总结研究这两种方法的基础上，基于偏序集上闭包系统分解的思想，对提出的闭包系统划分为多个子闭包系统的判定定理进行了证明．使闭包系统的分解既不会产生冗余信息，也不会使信息丢失，并把所提出的判定定理用于概念格的并行处理．提出了一个新的基于闭包划分的概念格并行生成算法——Para-Prumng算法。通过实验，利用随机生成的数据集同经典NextClosure算法进行比较分析，验证了新算法的正确性和有效性。     

神经网络在农民收入预测中的应用

农村问题的核心是农民问题,而农民问题的焦点是收入问题。将神经网络的BP算法引入我国农民收入研究领域,并应用神经网络工具对我国农村居民家庭人均纯收入进行了预测研究。该预测模型在算法的收敛速度和预测精度方面都达到了较好的效果,对未来我国农民收入的研究具有重要意义,最后提提出了促进我国农民收入增长的各项对策和建议。     

基于BP神经网络模型的国内旅游人数预测

旅游人数的分析和预测是旅游规划与管理的关键性、基础性工作。目前旅游人数预测主要采用基于传统研究方法的预测方法。提出了一种基于BP神经网络模型的国内旅游人数预测新方法,对国内旅游人数的变化趋势进行了综合分析与预测,结果表明该方法具有较高的精度,该模型在旅游人数预测中的应用是可行的。     

指数趋势模型在工程成本预测中的应用

在实施"低成本战略"市场环境下,各种成本预测方法层出不穷。针对工程项目的实际情况,把工程项目进行从粗到细的层次划分;然后提出了一种新的预测算法——指数趋势模型算法,对施工企业的工程成本进行预测;最后,以一个算例对该模型的运用进行分析。     

Trends in the use of management science techniques in capital budgeting

This paper examines trends in the use of management science techniques for capital investment decisions based on three surveys conducted on the same 100 large UK firms between 1975 and 1986. A strong increase in the uptake of these techniques is reported, which may partly be explained by the recent developments in end-user computing and investment software. The logistic forecasting model is employed to examine the trend and to forecast usage in the 1990s.     

基于BP神经网络与GM(1,1)组合的北京市物流需求预测模型

通过分析影响北京市物流需求的相关因素,构建北京市物流需求预测影响因素指标体系。运用BP神经网络和GM(1,1)方法,建立北京市物流需求组合预测模型,选取近20年的统计数据对未来五年的物流需求进行预测,得出物流需求总量及变化规律,并以此提出推进北京市物流业发展的有效途径,为物流系统规划提供合理依据及有效发展途径。     

基于SSE指令集的运动目标模板匹配算法设计

本文针对序列图像中运动目标识别的广泛需求,分析了模板匹配算法的实现过程及特点,研究、设计了一种基于SSE指令集的运动目标模板匹配算法。该算法利用SSE4指令集实现多位数据并行计算,显著提高了模板匹配算法的处理速度。实验结果表明,该算法对于序列图像中的运动目标识别具有速度快、识别精度高的特点,具有一定的应用价值。     

Forecasting with Medium and Large Bayesian VARS

This paper is motivated by the recent interest in the use of Bayesian VARs for forecasting, even in cases where the number of dependent variables is large. In such cases factor methods have been traditionally used, but recent work using a particular prior suggests that Bayesian VAR methods can forecast better. In this paper, we consider a range of alternative priors which have been used with small VARs, discuss the issues which arise when they are used with medium and large VARs and examine their forecast performance using a US macroeconomic dataset containing 168 variables. We find that Bayesian VARs do tend to forecast better than factor methods and provide an extensive comparison of the strengths and weaknesses of various approaches. Typically, we find that the simple Minnesota prior forecasts well in medium and large VARs, which makes this prior attractive relative to computationally more demanding alternatives. Our empirical results show the importance of using forecast metrics based on the entire predictive density, instead of relying solely on those based on point forecasts. Copyright © 2011 John Wiley & Sons, Ltd.     

On the shape of posterior densities and credible sets in instrumental variable regression models with reduced rank: An application of flexible sampling methods using neural networks

Likelihoods and posteriors of instrumental variable (IV) regression models with strong endogeneity and/or weak instruments may exhibit rather non-elliptical contours in the parameter space. This may seriously affect inference based on Bayesian credible sets. When approximating posterior probabilities and marginal densities using Monte Carlo integration methods like importance sampling or Markov chain Monte Carlo procedures the speed of the algorithm and the quality of the results greatly depend on the choice of the importance or candidate density. Such a density has to be ‘close’ to the target density in order to yield accurate results with numerically efficient sampling. For this purpose we introduce neural networks which seem to be natural importance or candidate densities, as they have a universal approximation property and are easy to sample from. A key step in the proposed class of methods is the construction of a neural network that approximates the target density. The methods are tested on a set of illustrative IV regression models. The results indicate the possible usefulness of the neural network approach.