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。     

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BP神经网络的期权定价模型

运用BP神经网络的方法,根据S&P 500看涨期权的金融数据,利用一步预测法对期权定价做预测.通过其自主的学习机制以及大量的样本训练网络,提高了判断精度,使得对期权的估测更加准确.并运用Matlab的神经网络函数和数学分析的知识对期权定价进行模拟预测,预测价格的结果与市场的真实价格较为接近.     

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BP神经网络的函数逼近的MATLAB实现

BP神经网络由于它的学习能力和非线性特性,使其能够对非线性函数进行很好的逼近。通过对BP神经网络结构和MATLAB软件及其BP神经网络工具箱的应用研究,利用BP神经网络工具箱设计BP神经网络,用于对非线性函数的逼近,通过网络的训练、测试达到了预期的效果。     

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。     

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1～2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

基于Elman神经网络城市供水管网漏损预测模型研究

管道漏子的发生情况是进行漏损控制的基础,为了对管道漏子数进行有效预测,提出了一种基于Elman神经网络预测方法,采用自适应学习速率动量梯度下降反向传播算法,显著提高了网络的训练速率,有效地抑制了网络陷入局部极小点。文中分别采用Elman神经网络、BP神经网络和RBF神经网络对某城市外环线DN300管道漏子发生数时间序列进行仿真预测,经比较,证明前者具有收敛速度快、预测精度高的特点,表明利用Elman回归神经网络建模对管道漏子数进行预测是可行的,能为管网维护,管道更新提供有效依据。     

基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

基于Bp神经网络的哈尔滨住宅市场需求预测研究

随着经济发展步伐的加快,哈尔滨市的住宅产业面临着难得的发展机遇,本文在此背景下,以市场需求为出发点,对哈尔滨住宅市场需求状况进行了分析,利用 BP 神经网络模型对2006—2010年哈尔滨市城镇住宅市场进行了预测,并针对预测结果提出了相应的对策建议。     

基于BP神经网络的重庆市房价验证与预测

利用2000—2014重庆市人均地区生产总值、总人口数、房地产开发投资等相关数据,建立BP神经网络模型,通过与实际数据进行比较和误差分析,验证该模型在房价预测中的有效性。并预测重庆市2015、2016年的房价,以期给政府部门制定房价宏观调控措施提供参考依据。     

基于主成分分析法的商品住宅特征价格模型改进

特征价格模型作为一种对商品住宅价格进行有效分析和评估的工具而广泛应用于房地产领域。针对特征价格模型在实际应用中自变量数目较多、选择难度大且存在多重线性相关的问题,提出采用主成分分析法对商品住宅特征模型进行改进,排除变量间的线性相关对特征价格模型产生的误差。同时,以武汉市轻轨沿线商品住宅楼盘作为研究对象,构建了基于主成分分析的商品住宅特征价格模型,并用该模型对商品住宅价格的预测结果与实际销售价格进行对比,结果显示多数样本预测误差在5%以下,验证了改进模型的优越性。     

基于灰色-马尔柯夫模型的西安房地产市场分析

如何定量科学地预测房地产市场和走势,面对未知的市场,政府如何调控市场?开发商如何定位新项目?应用灰色系统与随机过程两种数学方法,在对房地产各指标的预测中,建立相应的灰色-马尔柯夫预测模型,并对西安市2006年的房地产走势做出预测。预测结果是2006年西安市普通住宅均价应在3200元/平方米左右,表现出稳中有升的趋势。     

西安市房地产资金来源结构与房地产价格波动的关系分析

从房地产资金来源结构的角度入手,探究西安市房地产价格的不合理上涨,根据1995—2008年西安市房地产开发资金来源与房地产价格数据,在利用ADF法对时间序列数据进行平稳性检验的基础上,运用Granger因果关系检验模型对房地产开发资金来源变动与房地产价格变动之间的因果关系进行实证研究。结果表明:国内贷款、利用外资与房地产价格的变化没有直接的因果关系;其他投资与自筹资金对房地产价格有着一定的推动作用。     

房地产价格上涨与信贷扩张、地价上涨--基于省际面板数据的分析

根据2003—2012年中国省际面板数据,运用Granger因果关系检验模型检验房地产价格上涨与信贷扩张、地价上涨三者之间的作用关系。研究结果表明,房地产价格上涨与信贷扩张、地价上涨三者之间存在着相互反馈的作用机制。对房地产价格上涨的各影响因素进行估计后发现城镇劳动者工资上涨、地价上涨和信贷扩张对房地产价格上涨产生正向影响,房地产供给对房地产价格上涨具有负向影响。增加房地产供给,限制房地产业信贷规模和平抑地价是抑制房地产价格过快上涨的重要途径。     

房地产价格影响地方政府财政收入的面板数据分析

该文使用中国70个大中城市1999年到2009年的面板数据,发现了房地产价格和地方政府财政收入之间的联系,并利用模型的稳健性验证了这种关系的存在;在使用工具变量回归方法解决房地产价格可能受到财政收入影响的内生性问题时发现,房地产价格波动1%会带来大约10%的地方政府财政收入的波动;使用政策的虚拟变量和房地产价格的交互项,发现这种关系是由于房地产行业于1999年取消福利分房制度而造成的。     

神经网络环境下矿山规模的预测

矿床规模影响因子较多，并且这些因子与矿床规模间存在着非常复杂的非线性关系，一直以来只能实现定性化预测，预测方法一般采用逻辑信息法、回归分析方法和蒙特卡罗法来进行，这些方法计算复杂，结果不稳定，为预测的进行和结果的解释带来很多的困扰。BP神经网络可以实现从输入到输出的高度非线性映射。本文对矿床资料进行规范化处理，并进行适当插值，利用MATLAB工具箱成功实现了对待评矿床的定量化预测。