基于GA—BP神经网络模型的期货价格预测与分析

本文选取20091月5日～10月29日的大豆期货主力i1001合约共200个交易数据作为训练数据，10月30日～11月12日的10个数据为测试数据，利用BP神经网络对期货价格建立预测模型，并用遗传算法进行修正，从而实现对大豆期货交易价格的预测分析。结果表明，改进后的GA—BP神经网络模型拟合精度明显高于BP神经网络模型，并对期货价格走势有良好的预测效果，可给期货市场的投资者提供投资建议。此外，利用改进后的模型可对期货市场操纵现象进行预警，对监管者具有一定参考价值。     

基于BP神经网络的黄金期货价格预测

本文在BP神经网络的基础上,利用2012年7月26日至2013年5月29日期间黄金期货的每日平均价与每日收盘价,对二者价格进行实际模拟和预测.模拟结果与实际相比,有较高的精度和较为稳定的预测效果,说明BP神经网络对黄金期货市场的预测是可行的.     

基于BP神经网络的沪深300股指期货价格预测

本文在BP神经网络的基础上,利用沪深300股指期货的每日收盘价,对其价格进行实际模拟和预测。模拟结果与实际相比,有较高的精度和较为稳定的预测效果,说明BP神经网络对沪深300股指期货市场的预测是可行的。     

高速公路收购价值研究——基于非线性主成分分析和RBF神经网络预测模型

文章分析了高速公路价值评估的关键点在于交通量预测,在介绍非线性主成分分析及RBF神经网络模型预测高速公路车流量原理的基础上,通过湖南某高速公路实证分析得出该模型具有一定参考价值。     

灰色关联分析与RBF神经网络在我国棉花价格预测中的应用研究

运用灰色关联分析法对影响棉花价格波动的诸多因素进行分析,筛选出了4个主要的影响因素:国际市场因素、替代品因素、居民消费价格指数和棉花进口量.并以此优化RBF神经网络模型的输入节点,验证了模型对棉花价格预测的精确性.采用2010年1月～2016年4月的月度数据作为网络训练集,将4个主要影响因素作为输入向量,经训练后网络拟合效果较好;以2016年5月～2017年4月共12期数据作为网络测试集,结果表明:模型预测误差为3.11％,预测精度较为理想,泛化能力强,模型能够较好地把握棉花价格变化的本质规律,为准确预测棉花市场价格提供参考.     

RBF神经网络在边坡稳定性分析中的应用

建立了露天矿岩质边坡稳定性分析评价的径向基函数(RBF)神经网络模型。实例检验结果表明,基于RBF神经网络建立的边坡稳定性分析模型是合理的、可靠的。将该模型应用于白云鄂博东矿边坡的稳定性分析中,取得了有益的结果,为该矿的安全生产提供了决策依据。     

基于神经网络的股票市场预测

本文将人工神经网络方法引入时间序列预测,针对股票市场这一非线性系统,运用神经网络,在历史数据时间序列的基础上,对股票市场的价格走势进行了理论、方法与模型的研究。本文利用RBF神经网络对上证综指进行了预测研究,获得了较好的预测效果。     

基于优化RBF神经网络的无线室内定位

针对径向基函数（Radial Basis Function,RBF）神经网络算法在无线网络室内定位中拓扑结构和网络参数难以确定,其定位效果不理想的问题,提出了一种用核主成分分析的模糊C均值聚类算法（Fuzzy C-Means clustering algorithm based on Kernel Principal Component Analysis,KPCA-FCM）和模拟退火自适应遗传算法（Simulated Annealing adaptive Genetic Algorithm,SAGA）优化RBF神经网络的无线室内定位算法。首先利用KPCA对原始训练数据样本进行数据预处理,再通过KPCA-FCM算法计算出最优聚类数目和聚类中心点;其次将聚类数目和聚类中心点作为隐含层神经元个数和中心值,创建RBF神经网络,并将其网络参数映射到SAGA算法中;再次由SAGA算法进行网络参数寻优,把最优的解映射回RBF神经网络;最后利用样本数据对RBF神经网络进行训练和测试,完成建立RBF神经网络算法模型。实验表明,在相同的环境中,所提算法比传统RBF神经网络定位精度提高了48.41%。     

企业运营能力分析——基于RBF神经网络

企业营运能力是指通过企业生产经营资金周转速度的有关指标所反映出来的企业资金利用的效率。它表明企业管理人员经营管理、运用资金的能力、企业生产经营资金周转的速度越快,表明企业资金利用的效果越好效率越高,企业管理人员的经营能力越强。本文构造了采用RBF神经网络模型对企业营运能力进行预测,客服了传统方法计算速度慢,精度低的缺点,并结合案例进行了研究,实验表明:基于RBF网络的分析方法可行、且精度高,可以作为企业营运能力进行分析及预测的有效手段。     

基于神经网络推理的GIS信息预测方法

在对神经网络推理机进行论述的基础上,文章分析了以高斯函数为激活函数的径向基函数神经网络方法推理模型,并探讨了基于径向基函数分析的河流水质预测方法。主要包括神经网络特性、神经网络推理方法、RBF知识推理算法及模型等内容。     

基于LSTM深度学习的大豆期货价格预测

面对越来越复杂的金融市场环境,以传统统计学和计量学为主的时间序列预测模型在发现序列中的长期依赖关系方面存在一定局限性,而深度学习中的长短期记忆(LSTM)网络有望克服这一问题。通过构造一个多层LSTM网络价格预测模型,使用中国2007—2019年大豆期货价格数据进行了实证研究。结果显示,参数调优对LSTM网络模型预测效果有着较大影响,其中影响较大的主要参数包括迭代次数、学习率、窗口大小和网络层数等;与ARIMA模型、MLP模型、SVR模型相比,LSTM网络模型的预测结果准确性更高,在拟合优度(R-2)上分别提高了1.064%、2.147%、1.674%。LSTM网络模型在价格预测方面的良好表现,为预测大豆期货价格提供了新思路。     

神经网络组合预测方法在R&D支出中的应用分析

通过BP和RBF两种神经网络的组合应用,并结合使用Matlab7.0软件提出了一种新的组合预测方法。首先通过采用了两种成熟的预测方法BP和RBF神经网络对R&D经费的支出分别进行预测,然后把所得的预测值再通过三层结构的RBF网络结合Matlab软件进行组合预测,得出最后的预测值再与实际的数据进行比较。从预测结果来看,将该组合预测方法很好的拟合了我国每年R&D经费支出,避免单一预测方法存在的预测精度不高,限定条件过多等问题,有效地提高了预测精度,得出了较为满意的预测结果。     

基于RBF神经网络的权证价格预测

本文介绍了RBF网络的原理、数理表达和拓扑结构,并且以康美CWB1(580023)权证为样本,使用RBF人工神经网络,将标的股票价格和权证规定的行权价格之比、无风险利率和权证到期期限作为输入,权证价格作为输出进行了仿真分析和预测,同时将预测结果与BS模型预测结果做了对比。根据实证结果,发现RBF网络对权证价格的仿真结果精度较高,与实际价格偏差较小;RBF网络模型在价格预测的精度上优于BS模型,对我国权证价格分析方法的发展和完善具有极大意义。     

基于RBF神经网络的客户需求预报

阐述了基于RBF神经网络的客户需求预报方法。以某公司的产品销售数据为例,进行了需求预报仿真实验,平均预报误差小于4%,证明了此方法的可行性和有效性。     

棉花期货价格基本面分析与预测

本篇研究报告是针对现行棉花价格波动的情况,对一家棉花公司提出合适的套期保值策略,从而应对由于棉花价格波动所带来的资产贬值的风险。经过预估计确定该套期保值策略的可行性,从而帮助公司通过期货市场规避掉风险。     

基于bp神经网路的我国沪深300股指期货价格预测

本文将首先介绍我国沪深300股指期货的现状以及影响其价格的主要因素,再介绍BP神经网络模型,并运用BP神经网络模型预测我国沪深300股指期货价格的短期走势,最后给出结论和本文的不足之处。     

浅谈RBF神经网络在教师绩效评价中的应用

本文从建立教师绩效评价的意义入手,提出了教师绩效评价标准,探讨并构建了适应于教师绩效评价的指标体系。在比较各种评价模型和算法优缺点的基础上,提出了基于径向基(RBF)神经网络的教师绩效考评价模型,并设计出了系列数据处理算法。通过网络训练、泛化结果分析,表明用RBF神经网络来评价教师综合评价是非常可行的。     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

企业人才竞争力的BP神经网络分析

本文从企业HR竞争力指标中用主成分分析析取出4个因子,构成企业HR的竞争力模型,通过BP神经网络对30家企业的HR竞争力进行了仿真预测,便于HR管理者即时对企业人才竞争力定位,有利于管理者对企业HR的战略部署。     

基于灰色模型与BP神经网络的青岛旅游需求预测模型

本文主要研究青岛市旅游需求预测的有关问题。本文首先对搜集的数据进行无量纲化处理,利用主成分分析得到影响旅游需求的主成分,以旅游人口建立GM(1,1)模型,进而将模型推广到GM(1,N)模型,并进行残差检验确保其可靠性;其次,对影响旅游需求的因素进行GM(1,1)灰度预测,并利用预测数据建立BP神经网络模型对GM(1,1)模型进行优化改进,最后,分析得到运用BP神经网络模型进行预测的结果更为准确。