基于RBF神经网络的财产保险公司全面风险预警系统研究

在尝试提出我国财产保险公司全面风险预警指标体系的基础上,利用RBF神经网络构建了财产保险公司全面风险预警模型。然后,对预警信号提出了相应的风险处理方案。最后,利用该RBF神经网络进行全面风险预警,结果表明该网络计算误差小、收敛迅速,网络具有良好的泛化能力。     

基于神经网络模型的家族企业诚信研究

以多指标为基础的多输入GA-BP神经网络模型,可以准确地评价企业诚信,能起到保护家族企业隐私、减少相关风险、预防家族企业出现诚信危机的作用。进一步证明GA-BP神经网络有着BP神经网络非线性映射与自主学习的能力,具有运算速度快、预测精度高的优点;解决了BP神经网络收敛速度慢和忽略最优解问题,使得GA-BP神经网络在仿真能力、误差水平、收敛精度及迭代次数等方面都优于BP神经网络,为家族企业诚信研究与诚信危机预测提供了一种可行有效的方法。     

基于DFNN的金融股指预测及金融非线性系统辨识研究

针对证券市场内部结构的复杂性、外部因素的多变性,本文采用动态模糊神经网络(DFNN)进行金融股指预测.DFNN能够实现在线学习,并且参数估计与结构辨识同时进行;同时采用误差下降率(ERR)修剪技术,保证网络拓扑结构不会持续增长,避免了过拟合及过训练现象,确保了DFNN的泛化能力.本文以上证指数为例,通过与同样以高斯函数作为传递函数的RBF算法预测结果的比较和分析,表明DFNN预测上证指数的偏差较小,预测的方向准确性较高.通过DFNN模型提取的模糊规则对金融系统运行模式进行分析,为研究金融非线性系统辨识提供了启发性思路.     

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。     

基于贝叶斯因子模型金融高频波动率预测研究

构建了包含时变系数和动态方差的贝叶斯HAR潜在因子模型(DMA(DMS)-FAHAR),并对我国金融期货(主要是股指期货和国债期货)的高频已实现波动率进行预测.通过构建贝叶斯动态潜在因子模型提取包含波动率变量、跳跃变量和考虑杠杆效应的符号跳跃变量等预测变量的重要信息.同时,在模型中加入了投机活动变量,以考察市场投机活动对中国金融期货市场波动率预测的影响.预测结果表明,时变贝叶斯潜在因子模型在所有参与比较的预测模型当中具有最优的短期、中期和长期预测效果.同时,具有时变参数和时变预测变量的贝叶斯HAR族模型在很大程度上提高了固定参数HAR族模型的预测能力.在股指期货和国债期货的预测模型中加入投机活动变量可以获得更好的预测效果.     

遗传神经网络方法在课堂教学质量评估中的应用

课堂教学评估是提高教学水平,促进教学质量的有效途径.该文建立非线性评估模型,针对仅应用人工神经网络方法求解容易出现不收敛的情况,将遗传算法与BP神经网络结合应用,用遗传算法来优化网络的拓扑结构和学习参数,并筛选参与训练的评估因子,搜索出参加训练的输入参数和网络结构参数的最佳组合,从而建立具有较好预报效果的网络模式.实例计算结果表明,与未经优化的神经网络相比,具有收敛速度快,预测误差小等优点,具有较高的识别能力.     

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi-stage optimization approach,MSOA)的GA人工神经网络,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,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.     

基于结构可变的RBF神经网络的时间序列预测

基于神经网络的时间序列预测方法,需要正确确定网络结构,它关系到所建模型的合理性以及预测的准确性。目前确定网络结构的绝大多数方法,其网络结构一经训练确定便保持不变。然而现实中许多时间序列呈现非平稳性,其结构经常发生变化,这就要求网络结构能够动态可调,因此本文提出结构可变的径向基函数(RBF)神经网络预测模型。并采用序列蒙特卡罗(SMC)方法实现基于结构可变RBF网络的时间序列在线预测;最后采用CRU钢铁价格指数月数据进行实证研究,结果表明该模型的有效性。     

半参数计量经济联立模型的变窗宽估计理论

联立方程模型在经济政策制定、经济结构分析和经济预测方面起重要作用.文章将半参数单方程计量经济模型的局部线性估计方法与传统联立方程计量经济模型的工具变量估计方法相结合, 在随机设计(模型中所有变量为随机变量)下, 提出了半参数联立方程计量经济模型的局部线性工具变量变窗宽估计方法, 并利用极限理论研究了估计的大样本性质.结果表明:参数分量的估计具有一致性和渐近正态性且收敛速度为n-1/2;非参数分量估计在内点处具有一致性和渐近正态性, 其收敛速度达到了非参数函数估计的最优收敛速度.     

基于深度强化学习的自适应股指预测研究

基于股指成分股基本面和技术面数据构建了时序股票关联网络，然后利用深度图神经网络学习股票关联网络层次化表征，以端到端的方式获得候选预测信号.在此基础上，提出了一种考虑动作评估反馈的深度强化学习方法(Action Evaluation Feedback based Deep Q-Learning, AEF-DQN),旨在将不同的候选预测信号融入智能体的动作空间，并基于股票关联网络层次化表征、股票市场整体运行状态和历史动作评估反馈学习环境状态；借鉴前景理论中的参照依赖特性估计奖励值函数，从而建立状态、动作与奖励值之间的映射关系.最后，采用沪深300指数、标普500指数、英国富时100指数和日经225指数的成分股历史数据，构造了股指期货交易模拟器，在投资胜率、最大回撤率、阿尔法比率和夏普比率4个回测指标上对股指预测模型展开实证分析.研究结果表明：1)通过层次化聚合股票关联网络的节点属性信息可以动态捕捉不同行业对股指价格波动的影响，进而可提升预测方法的准确率；2)考虑动作评估反馈的深度强化学习结构可智能化选择适用于当前股票市场环境的最优模型结构，进而可提升预测方法的鲁棒性.     

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。     

A Neural Network-Based Method for Risk Factor Analysis of West Nile Virus

There is a lack of knowledge about which risk factors are more important in West Nile virus (WNV) transmission and risk magnitude. A better understanding of the risk factors is of great help in developing effective new technologies and appropriate prevention strategies for WNV infection. A contribution analysis of all risk factors in WNV infection would identify those major risk factors. Based on the identified major risk factors, measures to control WNV proliferation could be directed toward those significant risk factors, thus improving the effectiveness and efficiency in developing WNV control and prevention strategies. Neural networks have many generally accepted advantages over conventional analytical techniques, for instance, ability to automatically learn the relationship between the inputs and outputs from training data, powerful generalization ability, and capability of handling nonlinear interactions. In this article, a neural network model was developed for analysis of risk factors in WNV infection. To reveal the relative contribution of the input variables, the neural network was trained using an algorithm called structural learning with forgetting. During the learning, weak neural connections are forced to fade away while a skeletal network with strong connections emerges. The significant risk factors can be identified by analyzing this skeletal network. The proposed approach is tested with the dead bird surveillance data in Ontario, Canada. The results demonstrate the effectiveness of the proposed approach.     

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。     

汇率的非线性组合预测方法研究

近年来的经济统计研究表明,组合预测比单项预测具有更高的预测精度,但线性组合预测方法在汇率的组合建模与预测方面存在着较大的局限性。本文提出了一种基于模糊神经网络的汇率非线性组合建模与预测新方法,并给出了相应的混合学习算法。对于英镑、法朗、瑞士法朗、日本元对美元等汇率时间序列的组合建模与预测结果表明,该方法具有很强的学习与泛化能力,在处理外汇市场这种具有一定程度不确定性的非线性系统的组合建模与预测方面有很好的应用价值。     

遗传算法优化神经网络及信用评价研究

研究关于公司神经网络信用评估问题的现状,提出遗传算法辅助网络训练策略(优化后的网络称为进化网络),克服传统网络建模中产生的局部极小缺陷。建立了适合于我国商业企业的信用评分指标体系;然后依据该指标体系建立了基于进化神经网络的信用评估模型;最后,利用样本公司实际指标数据对该模型的评分效果进行了比较研究。     

智能组合预测方法及其应用

由于具有能以任意精度逼近任意复杂非线性函数的优良性能,神经网络在灰色系统预测中得到了较大的应用。在已有的研究基础上,针对灰色神经网络进化时容易陷入局部最优,参数修正受阻的问题,建立基于遗传粒子群混合算法优化的新型灰色神经网络模型。首先将灰色神经网络进行数学建模,以便于优化算法的应用;其次,综合遗传算法与粒子群算法的优点,构造一种混合算法,运用混合算法对灰色神经网络进行优化;最后通过日本入华游客数量预测的算例研究,比较新型灰色神经网络与灰色神经网络、单一算法优化的灰色神经网络的预测精度。所得结果表明,混合算法优化的新灰色神经网络具有更好的预测性能,在社会经济领域有着广泛的应用前景。     

Strategic Learning and the Topology of Social Networks

We consider a group of strategic agents who must each repeatedly take one of two possible actions. They learn which of the two actions is preferable from initial private signals and by observing the actions of their neighbors in a social network. We show that the question of whether or not the agents learn efficiently depends on the topology of the social network. In particular, we identify a geometric “egalitarianism” condition on the social network that guarantees learning in infinite networks, or learning with high probability in large finite networks, in any equilibrium. We also give examples of nonegalitarian networks with equilibria in which learning fails.     

季节型增长趋势电力消费预测研究：基于中国的实证分析

以我国月电力消费量为例,研究了季节型增长趋势中长期电力指标的预测问题。提出采用离散小波变换对季节型增长趋势历史数据进行分解并对各频率分解系数分别进行重构,在剔除随机性波动后,将长期增长趋势及各规律性波动趋势通过RBF网络进行趋势外推预测,进而通过对不同趋势预测结果进行组合得到电力消费量的预测值。实证分析表明,经过离散小波分解处理后,RBF网络样本的规律性得到增强,其在有效模拟非线性变化规律的同时,泛化能力得以提高,因而具有较好的预测精度。     

基于ARTⅡ网络的煤炭资源资产分类研究

本文建立了用于煤炭资源资产分类的ARTⅡ神经网络模型,编制了相应的计算机和软件,并将ARTⅡ模型与模糊分类模型和基于BP网络的分类模型进行了对比分析,实例运行结果表明,用ARTⅡ网络进行分类具有分类稳定、结果可靠等特点。