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PSO算法优化RBF神经网络的基金净值预测研究

为了更精确地对基金净值进行预测,针对基金净值变化具有非线性和随机性等特点,提出基于粒子群优化RBF神经网络的基金净值预测模型。利用具有全局寻优的PSO算法对RBF神经网络的参数进行优化,并用经PSO算法优化的RBF神经网络对基金净值进行预测分析。仿真实验结果表明:与使用BP神经网络和RBF神经网络的基金价格预测方法相比较,PSO算法优化的RBF神经网络能够准确地预测基金价格的变化趋势,具有较高的预测精度,对于用户选择基金有着非常重要的意义。     

保险业财产损失分布的拟合及预测——基于RBF神经网络的应用分析

依赖传统的损失分布理论,财产损失分布模型拟合的优劣往往取决于经验分布函数的选择和参数的确定.由于财产损失信息的不完整和损失数据的不充分,经验分布函数的选择有时会出现较大偏差,难以保证损失分布模型较好的拟合性和有效的预测性.为改进测算效果,采用径向基神经网络,在对原始数据进行平滑处理的基础上学习与训练,进而设计未来财产损失测算模型、选择现实数据模拟并进行实证分析.研究结果表明,RBF神经网络用于财产损失分布的拟合及预测具有良好的适用性,而且随着训练样本.数量的增加,模拟值逐渐逼近真实值;RBF人工神经网络建立的模型,能够很好的将财产损失中的非线性关系描述出来,并且随着观察数据的不断更新,所建立的非线性模型与实际系统更加接近,使得非线性模型能够取得比线性模型更加良好的模拟预测结果.     

基于RBF神经网络的可重构机械臂控制研究

采用RBF神经网络控制算法来解决MIMO不确定非线性系统的自适应输出反馈控制问题,以系列模块化机械臂为研究对象,设计RBF神经网络控制器不断逼近可重构机械臂动力学模型,采用MATLAB软件基于RBF神经网络逼近设计的控制器对RR构型机械臂进行控制仿真.结果表明该控制器能有效地逼近机械臂动力学模型,并能较好地适应机械臂不同构型.     

用神经网络预测碳钢表面合金化处理后的耐腐蚀性能

采用ＢＰ神经网络建立了碳钢表面合金化处理后的耐腐蚀性能的预测模型，分析了网络结构对预测精度的影响，神经网络将寻求序列规律的过程转化为Ｒ＾ｎ→Ｒ＾ｍ逼近的非线性映射的非线性优化问题，适当增加输入单元的历史序列样本，可以得到对序列更为精确的预测，存在最优隐含层节点数。最后进行实际预测，结果表明，这一预测方法对金属材料耐腐蚀试验有指导意义，并具有一定的实用价值。     

基于RBF网络的股市混沌预测

根据股票市场具有动荡混沌的特性,以相空间重构理论和神经网络技术为基础,构建出股票价格短期预测的网络模型.用某股票的实际收盘价作为观测数据,通过训练RBF神经网络得到预测数据.结果表明,用径向基神经网络预测股价是可行的和有效的.     

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。     

基于RBF神经网络优化的无人驾驶车辆增量线性模型预测轨迹跟踪控制研究

研究了无人驾驶车辆的轨迹跟踪问题,基于RBF(径向基函数)神经网络的自适应补偿和鲁棒控制分别设计了2种优化后的ILTV-MPC(增量线性时变模型预测控制)轨迹跟踪控制系统。建立了ILTV-MPC轨迹跟踪控制器,利用RBF神经网络的局部逼近特性,设计了RBF自适应补偿控制器逼近模型的不精确部分;进而将逼近过程产生的误差作为外部干扰,设计了RBF鲁棒优化控制器,从而对逼近误差予以抑制。应用Lyapunov稳定性分析推导出隐含层网络权值训练规则,证明了控制系统的稳定性。当行驶在良好路面时,与传统ILTV-MPC相比,RBF补偿-ILTV-MPC最大误差减小约38.73%; RBF鲁棒-ILTV-MPC最大误差减小约68.42%。结果表明:RBF鲁棒控制较RBF补偿控制可进一步提高ILTV-MPC控制器的跟踪精度,减轻车辆侧滑程度,提高车辆行驶稳定性。