基于GABP神经网络的供应链合作伙伴评价方法

利用遗传算法对BP神经网络的权重和阈值进行寻优处理,得到GABP神经网络方法,以获得更快的收敛速度。利用网络训练实验论证确定BP神经网络的隐层节点数,使隐层节点数的确定更加科学合理。通过实例应用,验证了GABP神经网络方法在供应链合作伙伴评价中的有效性和优越性。     

基于小波神经网络的非线性组合预测方法及其应用研究

文章提出了基于小波神经网络的非线性组合预测方法,给出了其具体组合预测原理及具体学习算法,并将其用于国际原油期货价格数据的预测。国际原油期货价格数据的预测结果表明:基于小波神经网络的组合预测方法得到了比单一预测方法都要好的预测结果,有较好的应用前景。     

基于小波神经网络的人脸识别算法研究

利用小波神经网络建立了人脸识别算法,并且利用MATLAB软件编制的仿真程序,进行了仿真分析,仿真结果表明,该方法具有较高的人脸识别精度。     

计算机软件价值评估的模糊神经网络方法研究

一、影响因素分析 计算机软件指计算机程序及其有关文档。包括:源程序、目标程序、程序设计说明书、流程图等。计算机软件作为一项资产时,它是一种技术型无形资产。它具有如下几个方面的特点: (1)计算机软件通常都是针对某些特定目的而开发设计的,使用者把计算机软件作为一种工具来使用,通过执行计算机软件就会得到正确的输出结果,从而提高使用者的工作效率。因此,计算机软件有实用价值。 (2)计算机软件是智力成果,是研究开发者独特的思想方法等的表现形式,带有研究开     

工程造价的模糊神经网络估测方法

本文探讨了模糊神经网络在确定工程造价中的应用方法和途径。分析影响工程造价的因素,提取特征值,利用Madalines网络和RBF网络估测工程造价,通过实例计算,表明运用模糊神经网络估测土建工程造价和工程工料量是可行和有效的。     

基于GA—BP算法的模糊神经网络模型在港口物流量预测中的应用

以国内某港口为倒,通过应用遗传算法改进的BP学习算法（GA—BP）的模糊神经网络模型,对港口物流量进行预测。最后,利用Matlab软件对样本数据进行训练和测试,仿真结果表明所构造的改进模型预测误差非常小。     

基于神经网络的模糊综合评判在传输网建设中的应用

本文以某地市传输网建设可行性研究报告为例,使用基于模糊神经网络的模糊综合评判方法对三个可研方案进行综合评价。提出了一种对传输网建设鉴定的新方法,该方法采用了人工智能技术来减少鉴定的主观性,由于对建设可行性的认识存在一定的模糊性,采用了模糊综合评判进行可行性鉴定。并且提出了模糊综合评判和模糊神经网络的集成对通信工程建设和网络评估时的指导作用。     

基于遗传神经网络的机械故障诊断

本文针对BP神经网络存在的不足,将遗传算法和BP神经网络有机结合起来,利用遗传算法的全局搜索能力优化了神经网络的初始权值和阈值,并将其应用于机械故障诊断。结果表明,在MATLAB环境下进行仿真试验,这种方法能够有效进行故障识别、提高故障诊断精度。     

基于混沌保持神经元的混沌神经网络中的超混沌

神经网络是高度复杂的非线性动力系统,存在着混沌现象。本文通过消除暂态混沌神经元的模拟退火策略,产生了一种可以永久保持混沌搜索的混沌神经元。基于由四个该混沌神经元连接的混沌神经网络的拓扑结构,分析了混沌神经网络的Lyapunov指数谱,发现混沌神经网络中存在超混沌现象;同时,研究了参数变化对混沌神经网络Lyapunov指数谱的影响。     

基于BP神经网络的项目社会后评价方法研究

为了提高大型项目综合评价的科学性、客观性以及时效性,本文提出了基于BP神经网络的项目社会后综合评价模型,用以对大型社会项目的综合评价;并以广东省某大型水利项目为例,实证分析该方法对项目社会后评价具有较好的一致性,证明了以BP神经网络模型为基础建立的项目社会后评价模型,对社会大型项目进行社会后综合评价方法具有一定的可行性。     

基于BP神经网络的工程造价估测方法

本文把信息扩散原理和神经网络相结合,提出一种工程造价的估测方法,并给出计算实例。     

ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。     

技术交易规则预测能力与收益率动态过程——基于Bootstrap方法的实证研究

本文对我国股票市场技术交易规则预测能力进行了实证检验,发现移动平均规则所产生的买入区间收益率更大而波动率却更小,卖出区间的收益率为负而波动率却更大。运用自举(Bootstrap)方法检验发现,四种常用的收益率线性模型均不能解释买卖出区间收益率与波动率所表现出的非对称现象,尤其无法解释卖出区间收益率为负的现象。为此,本文通过人工神经网络方法,将条件异方差结构引入到现有的收益率非线性模型,发现该模型能更好地解释买卖出区间收益率与波动率模式,表明收益率动态过程中存在非线性特征。     

基于遗传算法的武器系统组合优化方法

组合多样化的武器系统,达到使用效能最优,已成为打赢信息化条件下局部战争亟待解决的一个核心问题。本文采用改进的遗传算法解决了武器系统组合优化问题:采用字符串编码方式,设计应用DP算法、单点交换等规则,为解决武器系统组合优化问题提供了有益的借鉴。将此模型应用于一个实际武器系统组合优化问题,获得了非常满意的结果,证明了算法的可行性。     

基于非线性主成分分析的信用评估模型研究

传统的主成分分析（PCA）本质上是一种线性映射算法,无法有效处理非线性关系的数据。本文在分析自联想神经网络（AANN）的基础上,借鉴传统PCA方法中的序数主成分概念,提出了基于顺序自联想神经网络（SAANN）的非线性主成分分析法（NLPCA）。进一步,结合神经网络（NN）和Logisitic模型,以我国上市公司为研究对象,分别构建了基于NLPCA-NN和NLPCA-Logisitic的信用评估模型。实证结果及ROC曲线分析表明,本文构建的NLPCA相比传统的线性PCA方法能有效地实现数据的非线性特征提取与降维,提高模型预测性能。此外,实证结果还表明,在相同PCA方法处理数据的条件下,神经网络模型的信用评估效果要好于Logisitic模型。     

Forecasting CPI inflation components with Hierarchical Recurrent Neural Networks

We present a hierarchical architecture based on recurrent neural networks for predicting disaggregated inflation components of the Consumer Price Index (CPI). While the majority of existing research is focused on predicting headline inflation, many economic and financial institutions are interested in its partial disaggregated components. To this end, we developed the novel Hierarchical Recurrent Neural Network (HRNN) model, which utilizes information from higher levels in the CPI hierarchy to improve predictions at the more volatile lower levels. Based on a large dataset from the US CPI-U index, our evaluations indicate that the HRNN model significantly outperforms a vast array of well-known inflation prediction baselines. Our methodology and results provide additional forecasting measures and possibilities to policy and market makers on sectoral and component-specific price changes.     

基于模糊神经网络的商品价格预测模型

为了方便地预测大型商品的价格,建立了一个模糊神经网络预测模型。该模型能够通过分析影响商品价格的各种参数及历史数据来评定一个新商品的大致价格水平。同时,在比较了FNN与ANN的基础上得出了FNN的优势。     

基于AIW-PSO小波神经网络的上证指数预测

针对小波神经网络(Wavelet Neural Network,WNN)的学习算法的不足,采用一种自适应惯性权重粒子群优化算法(Adaptive Inertia Weight Particle Swarm Optimization,AIW-PSO)作为小波神经网络的学习算法,建立AIW-PSO小波神经网络模型对上证指数进行预测,并将预测结果传统小波神经网络模型比较。结果表明,AIW-PSO小波神经网络模型对上证指数具有更好的预测效果。     

小波分析和神经网络算法在紧急运输中的应用研究

在分析以往运输时间侦测方法的基础上，介绍了当前一种新的侦测方法一基于小波分析和神经网络算法，该算法侦测率高、误报率低、移植性好。