基于径向基神经网络的股价预测

借助径向基函数（Radial Basis Function)神经网络对非线性函数的逼近能力，对深能源A股价这个时间列作了连续若干天的一步预测，并与其他预测方法进行了比较。结果表明，用径向基神经网络预测股价是可行的和有效的。     

基于投影寻踪回归的Philip-Dunne入渗参数求算模型

基于室外45个试验点的Philip-Dunne人渗实验数据,分析了实验前后土壤含水率变化△θ对土壤饱和导水率Ks和湿润锋吸力ψ的影响,利用逐步回归、BP神经网络、径向基函数网络和投影寻踪回归基于入渗时间tl预测了Ks和ψ,分析比较了不同数学模型的预测精度.研究结果表明:△θ变动对Ks和ψ值影响较小;投影寻踪回归相比于逐步回归、BP神经网络和径向基函数网络预测Ks和ψ精度要高.     

径向基函数网络的库存预测方法与仿真实验比较分析

库存预测是企业编制物流系统存储、运输等各项业务活动计划的基础,是企业管理的一个重要环节。库存预测的精确与否,直接影响到企业计划的可行性,进而决定企业经营的成败。采用不规则需求预测法和本文提出的径向基函数网络需求预测法对不规则时间序列的需求预测问题进行了评价与分析。仿真实验表明,采用径向基函数网络需求预测法对不规则时间序列需求进行预测具有更强的针对性和有效性。该方法采用正交化方法和前向回归技术,计算量少,能够生成一个结构简单的神经网络预测模型。     

神经网络BP算法与回归分析算法进行统计预测的比较研究

人工神经网络是80年代迅速兴起的一门科学,目前,对其各种基本算法研究很多,但对算法的实际应用却研究的较少。本文试运用人工神经网络中关于多阶层神经网络及误差逆传播算法(Back-Propagation),简称BP法的相关知识,对因果关系类的统计数据进行预测,并与传统回归分析预测方法的结果进行比较,试图将神经网络的算法应用于统计预测中。     

基于径向基神经网络的螺杆泵转速设定方法

为了研究受多种因素影响的螺杆泵转速控制系统,提出一种基于径向基神经网络的螺杆泵转速设定方法.利用径向基函数(RBF)神经网络对螺杆泵转速进行分析及预测,通过对螺杆泵的历史数据分析处理,得到螺杆泵转速的时间序列.将时间序列视为一个从输入到输出的非线性映射,并引入RBF神经网络来进行非线性映射的逼近.通过对网络进行学习与训练仿真实验,并与BP神经网络预测结果对比,表明应用RBF神经网络对螺杆泵转速进行短期预测精度更高、效果更好.该神经网络结构简单,非线性逼近能力强,通过对非样本点数据的实验验证,证明了该系统的可行性,具有一定的实用价值.     

基于径向基神经网络的我国外汇储备规模预测

基于MATLAB6.5平台编程,运用非线性径向基神经网络对我国外汇储备规模进行预测分析,以我国历年外汇储备数据为训练样本,进行网络训练与检验,结果表明,我国外汇储备存在超常规增长,径向基神经网络具有良好的预测性能。     

基于RBF神经网络的短期电力负荷预测

研究了天气和特殊事件对电力负荷的影响,建立了结合径向基函数神经网络来进行短期负荷预测的模型。将温度、降雨量运用于径向基函数神经网络中,提高了训练的可信度和可靠性。利用该模型编排的实用化软件投入到了实际应用中。结果表明:该方法具有较高的预测精度和较强的实用性。     

基于神经网络房地产价格指数的预测研究(续)

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于神经网络房地产价格指数的预测研究

研究表明,房地产价格指数常表现为非线性,要对它进行预测就必须利用一种能模拟非线性的模型。从理论上讲,神经网络能够无限逼近非线性函数,所以本文便尝试采用神经网络模型作为预测的模型。本文具体运用的是基于误差反向传播算法的多层前馈网络(BP神经网络)和径向基函数(RBF)神经网络。首先利用BP神经网络对采集到的中国房地产价格指数进行训练和模拟,最后进行预测,并比较预测结果和真实值,发现误差比较大,一方面是因为选取的样本数据少,另一方面是因为BP神经网络本身具有缺陷。为了克服BP神经网络预测的缺陷,本文接着运用RBF神经网络对选取的数据进行训练和模拟,用训练好的网络来进行预测,得到的预测结果与真实值相比较,误差很小,而且RBF神经网络的运行速度要比BP神经网络快很多。经过比较可以得出RBF神经网络用于经济预测可以达到很好的效果。     

基于SVM的中小企业集合债券融资个体信用风险度量研究

中小企业集合债券融资个体的信用风险度量面临小样本、非线性、高维数等现实问题,传统的评估方法很难适用。为了弥补传统评估方法的不足,提高信用风险度量的准确性,建立了适用性更强的信用风险评估指标体系,并引入基于统计学习理论的SVM模型对融资个体信用风险进行度量。选取径向基核函数作为支持向量机的核函数,通过数据的转化与缩放、参数的优选,最终获得了分类效果比较好的中小企业集合债券融资个体信用风险度量模型。经实际数据检验,模型的预测准确率为90.77%,具有较强的适用性。     

苹果产量的神经网络预测模型

在介绍神经网络预测方法的基础上 ,采用 BP神经网络技术对我国未来若干年的苹果产量进行预测 ,并将其结果与灰色系统 GM(1,1)的预测结果进行比较分析 ,表明该方法预测效果比传统的预测方法好 ,可以用来对水果等经济作物的产量进行中短期预测。     

基于群体协同智能聚类的期刊分类大数据自动存储方法

求解期刊分类大数据自动存储问题时，传统方法在分解的过程中无法保证准确性与合理性，对解的合并策略选择不合理，导致寻优过程中出现一定的偏差，造成期刊分类存储效率大大降低。为此，需要提出一种新的基于群体协同智能聚类的期刊分类大数据自动存储方法。确定径向基神经网络的初始结构，通过样本分布计算径基宽度获取隐节点群，将其当成初始集合。将分类存储精度最高、F-measure最大、期刊特征相似性最高作为目标函数，将其加权和作为适应函数。在求解过程中，各子群内部通过模拟退火法将分布估计算法和遗传算法结合在一起，产生新个体，利用群体协同合作的方式实现智能聚类。通过进化获取最优个体，得到最终精英集合，将其看作最后得到的径向基神经网络结构，通过得到的径向基神经网络实现期刊分类大数据自动存储。实验结果表明，所提方法期刊分类大数据存储性能强。      

应用果蝇优化算法优化广义回归神经网络进行企业经营绩效评估

近年来,台湾受到美国次贷风暴及欧洲债信的影响,许多大型企业瓦解的事件陆续发生,因此,公司管理阶层有必要好好地检视公司的财务状况,及早防范公司可能面临的经营风险。文章按照财务五力搜集台湾企业财务比率资料,根据活动力、稳定力与收益力进行灰关联分析,再将分析结果按照灰关联度进行排序,以了解各企业的经营绩效排名;然后采用果蝇优化算法优化广义回归神经网络、一般广义回归神经网络与多元回归模型,进行企业经营绩效侦测模型的建构,以供研究人员及公司管理阶层参考。分析结果显示,应用果蝇优化算法优化广义回归神经网络在企业经营绩效侦测模型的预测误差有很好的收敛结果,也有很好的分类预测能力。     

财务困境预测:数据挖掘方法的比较与运用

近年来,数据挖掘方法在商业领域的应用方兴未艾。文章尝试将数据挖掘方法引入财务困境预测的问题中,并以上市公司的实际财务数据为出发点,全面比较了逻辑回归、神经网络和决策树等分类算法在上市公司财务困境预测问题上的优劣。结果表明决策树在预测准确率、波动性以及可解释性上具有综合优势。文章还提出了不同程度财务困境的新概念,并对这个问题进行了决策树建模。     

基于神经网络及Logistic回归的混合信用卡评分模型

如何更好地对信用卡申请人进行识别和判断，提高银行预防和抵抗信用卡风险的能力，是所有银行迫切需要解决的问题。为了做出更高效、智能的判断，为决策者提供有效的决策支持，从而提高银行信用卡审批过程中资信评估的正确率及效率。本文提出结合神经网络及Logistic回归技术的混合模型，结合神经网络预测精度高及Logistic回归稳定性高的特性，对信用卡进行信用评分。实证分析的结果表明，混合模型的预测精度确实比单独使用神经网络模型和Logistic回归的预测精度高，证明了该方法确实是有效可行的。     

基于遗传算法和BP神经网络的信用风险测量模型

随着新巴赛尔协议的推出,信用风险测量问题越来越受到重视。在西方发达国家,商业银行的信用风险管理测量技术已比较成熟,继传统的比例分析、主观分析之后,统计方法得到广泛的应用,如判别分析和logit回归分析等。自从20世纪80年代末期以来,人工智能技术如神经网络、专家系统等也被应用于商业银行信用风险测量中。目前,该领域应用最多的就是BP神经网络,但其固有的一些缺点,如易陷入局部极小点,会影响预测效果。但可以利用改进的遗传算法对BP神经网络进行优化,实验证明效果非常好。     

以广义回归神经网络预测共同基金报酬

鉴于近年来许多相关文献成功地运用广义回归神经网络进行财经方面的预测,以及国内共同基金净值之预测与报酬率评估。通过搜集国内基金资料,以灰关联分析法进行各基金投资绩效分析,挑选投资绩效良好的共同基金作为投资标的;再以广义回归神经网络建立预测模型,与灰预测模型、多元回归模型进行预测能力及报酬率的比较分析。5种预测绩效评价指标、5组数据交互验证散布图及报酬率分析表明:广义回归神经网络在预测能力及预测报酬率上均有很好的表现。     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度。该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果。     

新常态经济的CPI预测模型——构建与实证比较

本文基于新常态经济发展背景研究了居民消费价格指数(CPI)的预测模型,采用传统的方法和机器学习方法进行预测和对比分析,包括普通最小二乘回归、LASSO回归、岭回归、时间序列预测方法、神经网络、随机森林和支持向量回归。结果表明,神经网络的预测结果明显优于传统的回归方法和时间序列预测方法,而且也同样优于支持向量回归方法和随机森林方法。此外,在引入集成学习方法进行综合后,各模型的预测精度进一步提升。     

基于BP神经网络的组合预测及在电力负荷的应用

分析了电力负荷预测的意义及预测原理，并以传统方法证明了组合预测的优越性．在经典预测方法线性回归和现代预测方法灰色模型的基础上，通过BP神经网络进行组合预测，分别应用单一模型和以计算机为工具的组合模型对上海市年电荷用量进行预测．通过分析和比较验证了该组合算法的有效性，