基于粒子群训练的神经网络股票预测模型

文章将粒子群优化算法用于神经网络预测模型的学习训练,并且将这种方法用于股票预测中.实验结果表明,基于粒子群训练的神经网络学习算法更易于实现,且准确率较高.     

改进粒子群优化算法及其在CVaR模型中的应用

文章基于CVaR模型进行投资组合优化,并利用粒子群算法对其进行求解.在具体应用过程中,为克服粒子群算法易陷入局部极值的缺陷,对算法进行了改进,并与标准粒子群算法(PSO)和遗传算法(GA)进行了比较,结果表明,改进后的算法应用于CVaR模型是行之有效的,且优于标准粒子群算法和遗传算法.     

基于改进粒子群优化算法的物流配送中心选址技术

文章同时考虑客户和物流规划部门的利益,构建了物流配送中心地址优化的双层规划模型。提出了一种改进的粒子群优化算法,分别求解双层规划模型的上层模型和下层模型。仿真实例表明了本文方法的可行性和有效性。     

灰色系统与BP神经网络组合模型及其应用

影响财政收入的因素有很多,各因素之间信息重叠的现象较严重,文章通过逐步回归选择了影响财政收入的几个显著因素.又鉴于灰色系统对小样本数据预测的优良特性,对每个选定的影响因素建立灰色预测GM(1,1)模型,得到各因素2015年、2016年的预测值.运用BP神经网络模型对1995-2014年数据进行训练,将灰色预测得到的预测值代入训练好的网络中,预测出2015年、2016年的安徽省的财政收入.     

基于灰色神经网络的第三产业发展趋势的预测模型

第三产业发展趋势的预测对于国家或地方政府制定宏观政策有着重要的意义。为更加准确的进行第三产业的预测,从多角度选取指标利用信息墒理论合成综合指标,建立灰色神经网络对其进行预测,实证分析表明灰色神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好,说明了模型适应成都第三产业发展趋势的预测。     

粒子群算法在投资组合决策中的应用

投资组合决策面临现实证券市场中大量数据,传统算法很难解决这一问题。本文将具有智能化且易于实现的粒子群算法应用到投资组合决策中,并通过上海证券交易所的实际数据进行计算机模拟,结果表明该算法在组合决策中是有效的,且易于实现。     

基于粒子群优化算法的应急资源调度研究

科学合理地开展应急资源调度,最大限度地发挥有限的应急资源的价值,是应急管理中的一项重要工作.文章构建了多种应急资源需求约束、应急时间约束、应急救援成本约束等多约束条件下的突发事件应急资源调度模型,并运用粒子群优化算法对模型进行求解,从而实现应急救援资源的高效利用与合理调度.     

一种灰色改进模型在农业经济预测中的应用

农业经济预测对于农业经济的长远发展有着重要的作用,关系到农业产业布局,农业产业结构调整等一系列问题。文章针对农业经济的特点以及现有研究的不足和缺陷,提出了一种灰色改进模型——灰色群建模对农业经济进行预测。实例分析结果表明,从预测精确程度、合理性和实用性等方面来看,灰色群建模都更加适合于农业经济预测研究。     

基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.     

灰色差分预测模型及应用

为了解决舰船纵摇运动灰色预测问题,文章通过对灰色系统理论建模杌理的分析,从离散的角度出发,建立了光滑性数据序列的差分模型,并与其原GM(1,1)模型进行比较,最后用指数序列验证了差分模型预测的有效性,精度较高,该模型同样具有较好的实用性与有效性.研究结果表明可以将文章的模型作为原模型的近似形式加以利用.     

基于云模型的混合量子神经网络算法及其仿真研究

在云模型、量子算法、神经网络算法等理论研究的基础上,设计了一种以量子比特神经元为信息处理单元的多层量子神经网络——基于云模型的混合量子神经网络算法。在标准数据集上进行的实验仿真表明:混合量子算法具有量子算法轨迹行为性能的优势;同时该混合算法可将提取的特征输入到量子神经网络中对数据集进行分类。该算法改进了量子神经网络的损失函数,提高了误差分析性能。最后,通过仿真实验验证了该混合量子算法在收敛速度和鲁棒性等方面均优于量子神经网络算法。     

基于改进模糊聚类算法的灰色预测模型

目前研究的模糊C均值聚类算法(FCM)面临的最重要问题是初始值随机选取,导致其容易陷入局部最优,同时影响运算速度.而灰色预测GM(1,1)模型在形成预测公式时对初始值的选取也没有合理有效的方案.针对以上问题,文章提出坐标密度法,确定初始聚类中心,对FCM算法进行改进;接着提出运用改进的FCM求取GM(1,1)中数据的聚类中心,并把聚类中心作为初始值的方法;通过与已知算法进行比较验证了其可行性和有效性.     

基于BP神经网络的信息商品价格预测模型

从信息商品价格的特点和BP神经网络的功能出发,借助样本训练集和改进的BP算法提出了基于BP神经网络的信息商品价格预测模型,并对模型的泛化精度进行了讨论,最后进行了仿真实验.     

基于FARBF神经网络算法的资产评估统计模型

针对RBF神经网络算法因原始变量间强相关性带来的处理难度,与因子分析得分评估模型不能充分结合先验知识等缺陷,文章综合因子分析与RBF神经网络算法的各自优点,构建一种基于FARBF神经网络算法的企业资产质量评估模型,并给出了原始数据的同向化处理方法.实证案例分析与仿真试验结果表明该模型精度高于单纯的RBF网络算法,且该算法简化了神经网络结构,提高了网络训练速度与算法精度.     

基于IOWA算子的优化灰色组合模型及其应用

为了提高灰色模型在实际应用中的预测精度,文章对经典GM(1,1)模型进行了改进优化.首先从初始值、背景值和灰色微分方程三个方面优化经典GM(1,1)模型,然后运用诱导有序加权平均(IOWA)算子对三个优化模型进行组合赋权,建立基于IOWA算子的优化灰色组合模型,最后将该组合模型应用到江西省农村电力中长期负荷预测中.结果表明,所提出的组合模型比经典模型和单项优化模型具有更高的预测精度.     

基于混沌PSO优化BP神经网络的碳价预测

随着全国碳排放权交易市场的启动,碳价的预测对碳市场参与者的风险管理具有重要意义。针对BP神经网络收敛速度慢、容易陷入局部极值的弊端,结合混沌的遍历性,构建基于混沌粒子群(CPSO)算法优化BP神经网络的碳价预测模型:利用Elastic Net方法降维,筛选出碳价的主要影响因素;再用CPSO优化BP神经网络的初始权值和阈值训练模型并预测碳价,结果表明:CPSO-BP碳价预测模型的精度和稳定性明显优于传统BP神经网络、粒子群优化的BP神经网络以及果蝇算法优化的BP神经网络。     

A New Robust Regression Method Based on Particle Swarm Optimization

Regression analysis is one of methods widely used in prediction problems. Although there are many methods used for parameter estimation in regression analysis, ordinary least squares (OLS) technique is the most commonly used one among them. However, this technique is highly sensitive to outlier observation. Therefore, in literature, robust techniques are suggested when data set includes outlier observation. Besides, in prediction a problem, using the techniques that reduce the effectiveness of outlier and using the median as a target function rather than an error mean will be more successful in modeling these kinds of data. In this study, a new parameter estimation method using the median of absolute rate obtained by division of the difference between observation values and predicted values by the observation value and based on particle swarm optimization was proposed. The performance of the proposed method was evaluated with a simulation study by comparing it with OLS and some other robust methods in the literature.     

基于神经网络的景气预测模型

为提高神经网络自回归预测模型的精度,文章构建了基于神经网络的景气预测模型.主要运用景气预测判断先行指标,以及其相对基准指标的先行期数,结合神经网络非线性适应能力、自适应能力强等特点,构建了基于RBF神经网络、广义回归神经网络、BP神经网络、Elman神经网络的四种景气预测模型.对比分析这四种基于神经网络的景气预测模型和神经网络自回归预测模型,发现基于神经网络的景气预测模型均取得良好的预测效果,其中,基于RBF神经网络的景气预测模型最佳.     

基于辅助粒子滤波的DSGE模型识别方法及应用

动态随机一般均衡模型中涵盖无法直接观测的变量,同时跨方程约束涉及复杂的非线性关系使方程的解析估计难以实现。在贝叶斯框架下识别动态随机一般均衡模型,基于状态空间方法建立度量方程和状态转移方程,采用辅助粒子滤波预测条件后验分布,建立贝叶斯误差带描述宏观经济变量脉冲响应函数的动态特征。实际数据分析验证了贝叶斯识别方法的有效性。     

基于改进的AdaBoost算法的信用评分模型

将AdaBoost组合算法应用于信用评分模型中的分类问题,并针对该算法在解决不平衡分类问题上的一些不足,对算法进行了改进。应用此改进的AdaBoost算法,创建了新的信用评分模型,并进行了实证分析。实证结果表明,基于改进的AdaBoost算法的信用评分模型可以有效降低由于模型错判而导致的损失。