基于战略转换的企业战略风险预警模型研究

将粗糙集理论与神经网络相结合,构建了基于战略转换的企业战略风险预警模型。该模型首先运用基于信息熵与MDV函数的模糊聚类算法进行连续属性离散化,然后采用粗糙集理论约简出重要指标体系,最后采用BP神经网络进行学习和训练,进而对检验样本的风险等级进行判断。实证分析表明：基于MDV函数与信息熵的模糊聚类算法能够有效改善离散化效果;添加动量因子的改进BP算法提高了网络学习效率,且该预警模型对检验样本的总体预测精度较高,是一种有效和实用的战略风险预警工具。     

遗传算法在供应商绩效评价中的应用

本文利用平衡记分卡思想建立了供应商绩效评价指标体系.结合遗传算法和BP神经网络构建了进化网络算法模型,克服了单纯网络学习易陷入局部极小的缺陷,并用指标样本检验了进化网络的有效性及改进性能,得到了比较理想的输出结果.     

基于BP神经网络的产品成本预测

本文将BP神经网络理论应用于产品成本的预测,在与目前常用的其它成本预测方法进行比较后,指出了用神经网络进行产品成本预测的优势,讨论了网络的结构设计、学习算法等问题,并给出计算实例,预测结果与实际是相符合的.     

基于神经网络融合技术的BP算法研究

BP神经网络方法数据可并行处理,该方法处理信息能力强,自身具有学习、联想和记忆的能力,避免了传统方法的局限性与专家评价的主观随意性,以及由于数据来源的单一导致的评价模型与评价对象之间不客观的简化;但它也存在网络的训练时间过长、易陷入局部极小值、完全不能训练等缺点.本文提出的神经网络融合技术算法是利用主成分分析法、粒子群算法与BP算法相融合,克服了BP算法的训练时间长、易陷入局部极小值的缺点,并在模型的确定和收敛性上给出了理论证明.     

基于优化回声状态网络的股价预测研究

股票市场是一个充斥着各种噪声的动态非线性系统,能够精确地对其进行预测是一项具有挑战性的任务。本文构建的BCC-ESN模型,是运用细菌群体趋药性算法(BCC)来优化回声状态网络(ESN)的权值结构,在继承ESN优良性质的同时,具有更高的模型预测能力。实验证明,BCC-ESN模型比前馈神经网络具有更好的学习和预测能力。经对上证指数进行短期价格预测,结果与BP网络、Elman网络和ESN网络进行比较,BCC-ESN模型精度明显优于其他三种网络预测。同时,在运算效率上,BCC-ESN模型继承了ESN的运算优势,明显优于其他神经网络预测模型,是一种切实可行、高效的预测算法,尤其在股票时间序列预测中有广泛的实用价值。针对BCC-ESN模型在训练预测中遇到的问题,比如耗费时间过长和过度拟合问题,本文亦提供了简单易行的思路和方法。     

基于遗传算法和BP神经网络的服装销售预测

本文基于BP神经网络建立预测模型,使用遗传算法对网络的初始权值及阀值进行优化,并通过某服装品牌实例验证了遗传BP网络的可行性和准确性。可将其用于服装企业进行销售预测。     

基于贝叶斯正则化的TDBPNN模型在中国外贸预报中的应用及评估

基于相空间重构的非线性预报思想,建立一个时滞的BP神经网络模型(TDBPNN),采用贝叶斯正则化方法提高BP网络的泛化能力,并将该模型应用于中国进出口贸易的预测,结果证明改进的TDBPNN模型具有较好的泛化能力,准确拟合了进出口贸易发展的历史值和趋势。区别于一般的预测评价,认为非线性预测不仅要注重数据拟合和精度改进,而且应该能够反映被预报系统的非线性特征。在分析模型预测精度的同时,通过计算拟合序列和原序列的非线性特征量进行模型评价,证实预测模型能够合理地“捕捉”到产生原序列的非线性系统的动力学特征。     

基于BP网络的人力资源管理风险预警模型

基于现有研究成果的局限性,本文将BP网络引入企业的人力资源管理风险预警的研究之中.首先从BP网络本身的特点和我国企业薄弱的基础管理水平两个方面,阐述了将BP网络引入企业人力资源管理风险预警研究的可行性;然后依据对人力资源管理风险内涵的界定、国内外专家的实证研究结果和意见等,将企业人力资源管理风险进行了分类;在此基础上,建立了企业人力资源管理风险预警指标体系,构建了基于BP网络的企业人力资源管理风险预警模型,并对模型进行了训练和测试;最后将其运用到某企业人力资源管理风险预警之中,指出其在判断企业人力资源管理风险状况、分析企业人力资源管理风险的主要来源、提出企业规避人力资源管理风险的对策方面有较大的应用价值.     

神经网络在股市预测中的应用——基于BP,RBF与GRNN

本文以个股江特电机(002176)250天实际收盘价作为样本,设计BP网络、RBF网络及GRNN网络,并对各种网络在股市预测中的应用进行了比较分析。     

基于改进PSO的综合运输网络管理多目标优化

首先,基于层次网络原则对综合运输网络管理优化问题进行了分析,以运输距离区分不同的网络层次,通过引入衔接时间,将同一层次上各种运输方式子网络的竞争关系,以及不同层次间各种运输方式子网络之间的协作关系模型化;其次,以网络运输强度和单位运量能源消耗最小化为目标,建立了综合运输网络管理的多目标优化数学模型;最后,提出了一种改进的多目标粒子群优化算法,得出了简化综合运输网络的Pareto最优前沿.案例计算结果表明,该算法能有效地找到分布均匀的多目标优化问题的Pareto前沿.     

基于模糊神经网络的小微企业信用评级研究

当前小微企业贷款需求日益增加,建立行之有效的小微企业信用评级模型已成为学术界和实务界关注的焦点.本文在阐述模型和构建指标体系的基础上,提出基于模糊神经网络开展小微企业信用评级的研究步骤,以某农村商业银行小微企业信贷微观数据为实证样本,分别进行小型企业和微型企业信用评级检测.实证结果表明,模糊神经网络模型在小微企业信用评级研究中具有较BP神经网络模型更高的检测精度.模型能够实现评级主观性与客观性结合,可对数据进行定性调节和批量处理,且具有明确的计算过程和决策规则,故适用于信用评级研究且具有稳健性.     

基于贝叶斯神经网络短期负荷预测模型

本文提出了基于贝叶斯神经网络(BNN)短期负荷预测模型。根据气象影响因素和电力负荷的样本数据,针对权向量参数的先验分布分别为正态分布和柯西分布两种情况,应用混合蒙特卡洛(HMC)算法学习了BNN的权向量参数。由HMC算法和Laplace算法学习的贝叶斯神经网络以及BP算法学习的传统神经网络分别对4月 (春)、8月 (夏)、10月 (秋)和1月(冬)每月25天的每个整点时刻的负荷进行了预测。这些神经网络的输入层有11个节点,它们分别与每个整点时刻和的气象因素、上一个整点时刻的气象因素和时间变量相对应,输出层只有一个节点,它与负荷变量对应。试验结果表明HMC算法学习的BNN的预测结果的百分比平均绝对误差( MAPE)和平方根平均误差( RSME )取值远远小于由Laplace 算法学习的BNN和BP算法学习的人工神经网络的 MAPE和RMSE。 而且,HMC算法学习的BNN在测试集和训练集上的预测误差MAPE和RMSE的相差很小。 实验结果充分说明HMC算法学习的BNN具有较高的预测精度和较强的泛化能力。     

Application of support vector machines in financial time series forecasting

This paper deals with the application of a novel neural network technique, support vector machine (SVM), in financial time series forecasting. The objective of this paper is to examine the feasibility of SVM in financial time series forecasting by comparing it with a multi-layer back-propagation (BP) neural network. Five real futures contracts that are collated from the Chicago Mercantile Market are used as the data sets. The experiment shows that SVM outperforms the BP neural network based on the criteria of normalized mean square error (NMSE), mean absolute error (MAE), directional symmetry (DS) and weighted directional symmetry (WDS). Since there is no structured way to choose the free parameters of SVMs, the variability in performance with respect to the free parameters is investigated in this study. Analysis of the experimental results proved that it is advantageous to apply SVMs to forecast financial time series.     

基于GMM-RBF神经网络的前列腺癌诊断方法

 前列腺癌是近年来发病率上升速度最快的男性癌症,严重威胁着患者的身体健康,准确地判断癌症患者的患病情况对于节约医疗资源、提高患者满意度起着至关重要的作用。近年来,基于数据挖掘的癌症诊断方法逐渐成为疾病诊断领域的研究热点,在提高诊断准确性上显示出极大优势。        针对现有前列腺癌早期诊断方法准确性不高的问题,提出一种基于高斯混合模型改进径向基函数神经网络的前列腺癌诊断方法--GMM-RBF神经网络方法。该方法通过使用高斯混合模型对径向基函数神经网络中径向基函数的参数进行预训练,使模型避免陷入局部最优,之后采用改进的粒子群优化算法对神经网络进行训练。采用国家临床医学科学数据中心提供的数据进行前列腺癌诊断实验,将所提出的方法与径向基神经网络、分类回归树、支持向量机和逻辑回归等主流的机器学习算法进行对比,并使用准确性、特异性、敏感性和AUC值对模型的性能进行评价。        研究结果表明,与改进前的神经网络模型相比,GMM-RBF神经网络模型收敛速度更快、初始准确度更高;与其它机器学习算法相比,GMM-RBF神经网络模型在10折交叉验证中取得了较高的准确性、敏感性、特异性和AUC值。        GMM-RBF神经网络方法在模型预测精度上比传统的径向基函数神经网络模型有很大提升,能够得到更为可靠的前列腺癌诊断结果,为医疗工作者初步诊断前列腺癌和穿刺活检操作提供有效的辅助决策支持,该方法的提出对于减少患者痛苦、提高患者满意度和节约医疗资源具有实际意义。     

人才环境及基于神经网络的陕西经济发展预测模型研究

利用多层前馈神经网络的反传算法(BP算法),在建立陕西人才环境评价指标体系的基础上,采用MATLAB软件建立了人才环境与经济发展关系的神经网络模型,映射出各年人才环境指标与人均GDP指标之间的函数关系,此BP神经网络可以成功地根据陕西人才环境指标对经济发展进行预测。     

基于神经网络的备件库存风险级别预测

本文提出了一种基于神经网络的备件库存风险级别分类方法,在对备件的供货来源、重要性、易损程度、标准化程度、供货周期等指标进行模糊评价的基础上,建立了多层前向神经网络模型,利用BP训练算法,确定神经网络模型的连接权系数。将某测井服务公司100种备件的历史数据作为样本,进行了BP训练仿真,并利用模型预测了该公司60种备件的库存风险级别,预测结果与实际结果的符合率为84%。     

基于BP神经网络的上市公司CEO报酬实证研究

近年来的研究表明,CEO报酬不仅受公司业绩的影响,还受到其他诸多因素的影响,而且,CEO报酬与其决定因素之间往往存在着非线性关系。本文以2003-2005年沪深股市的A股上市公司为样本,采用BP神经网络对CEO总报酬、CEO年薪、CEO持股价值及其决定因素分别进行训练和学习,结果表明:(1)网络训练输出值与实际值的拟合度分别达到91.09%、97.23%和78.44%;(2)网络的预测能力相对于传统的线性回归模型分别提高了92.72%、92.08%和53.89%。因此,本文认为在分析和确定CEO报酬水平时引入神经网络模型是可行的。     

基于多尺度分析的小麦价格预测研究

本文基于分解-重构-集成的思想,构建了一个多尺度组合预测模型,选取小麦作为粮食的代表,预测其价格走势。首先,运用集合经验模态分解方法(EEMD)分解价格序列,然后,用灰色关联分析方法对分量序列进行重构,重构为高频、中频、低频和趋势项四个部分,并从不规则因素、季节因素、重大事件和世界经济水平等方面对这四个部分波动特点进行解释,针对不同特点的分量选择不同的方法进行预测,最后对各预测结果用支持向量机集成,并与其他预测模型的预测结果进行比较。实证结果表明,本文构建的多尺度组合模型的预测效果优于灰色预测GM(1,1)、BP神经网络、SVM方法、ARIMA模型等单模型方法和ARIMA-SVM组合模型以及基于EMD和EEMD分解的其他多尺度组合模型。     

基于自组织算法的改进型GAANN预测模型

在传统的基于GA算法人工神经网络的基础上作了改进,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构。针对复杂系统建模输入节点难以确定的问题,提出将其与自组织理论相结合,首先使用GMDH方法获得神经网络的初始化节点,然后使用训练好的神经网络模型进行预测。最后,将由此建立的预测模型应用于国家粮食产量预测,取得了令人满意的效果。     

粗集与神经网络相结合的股票价格预测模型

粗集和神经网络结合反映了人类智能的定性和定量、清晰和隐含、串行和并行相互交叉混合的常规思维机理。本文建立这样一种混合杂交模型用于股票价格波动趋势的预测,通过粗集对数据的二维约简预处理消除了样本中的噪声和冗余,在提高神经网络预测精度的同时降低了学习负担。为了获得最优的预测精度,本文还利用遗传算法进行属性离散化和网络学习。通过对上证综指的实证研究表明,这种混合杂交模型的性能明显优于BP和GA神经网络模型。