基于人工神经网络的投资预测

本文叙述了神经网络的基本原理,建立了工程投资人工神经网络预测模型,编制了人工智能估价系统软件,并结合实例做了分析。     

基于ANN-GA的混沌时间序列预测方法研究

本文基于遗传算法和神经网络理论提出了一种混沌预测的改进方法,即C-ANN-GA混合预测方法;通过实例分析,证明该方法是一种用于混沌时间序列预测的有效方法.     

人工神经网络在经济预测中的应用

研究了人工神经网络在经济预测中的应用问题,探讨了人工神经网络的时间序列预测方法.该方法采用多层前馈神经网络及BP算法,其仿真实现是以MATL AB下神经网络工具箱作为开发工具.     

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。     

股市预测中的小波神经网络方法的研究

本文首先论述了股市时间序列中的明显随机性,可能是由于非线性确定性系统中混沌行为的缘故,利用混沌的确定性可以进行短期预测.混沌时间序列预测首先要重构相空间,接着充分利用小波变换时频分析的局部化特性,提出了一种改进的小波网络结构,探讨了股市预测模型问题.经实例验证,该方法能有效地提高预测精度,避免了人工神经网络模型和指数自回归的固有缺陷.     

基于GM-ARMA模型的中国粮食产量预测

鉴于粮食生产系统的复杂性和信息不完全性,本文针对我国粮食产量时间序列特征,结合灰色预测模型和ARMA模型的优点,建立了GM-ARMA预测模型。预测结果表明该模型较好地反映出粮食生产系统的动态变化特征,模型的预测精度高于单一的灰色预测模型。     

预测困难与预测发展

"凡事预则立,不预则废"这充分说明预测在决策中的重要性,但由于社会、经济系统的复杂性、不确定性,预测有时是困难的,基于此点,人们不断探索新的预测方法。神经网络预测正是近年来发展起来的一种新的预测方法,本文详细探讨了预测困难后,讨论了神经网络预测的优点与不足,并对预测发展提出了自己的思路。     

基于神经网络的股票市场预测研究综述

本文总结了常见的股票市场预测方法,基本面分析方法,技术分析方法,时间序列分析方法,最后重点总结了基于神经网络的股票市场预测方法。     

粮食产量影响因素的计量分析

粮食生产是关系国计民生的战略物资。本文以改革开放以来的相关数据为依托,对影响我国粮食生产的主要因素进行了相关分析和回归分析,并得出结论。揭示了粮食产量变化的原因,并对如何提高我国粮食生产提出了建议。     

一种基于组合神经网络的时间序列预测方法

本文探讨了神经网络时间序列预测模型的建立机制有其的构造方法，同时，为了消除模型的系统偏差，提出了构造辅助神经网络用以对原有模型的预测结果进行了校正以减小其误差。并对外汇汇率数据进行了模糊构造和预测。结果表明，组合神经网络在模型的拟合精度和预测准确性方面有都有提高。     

基于修剪平均的神经网络集成时序预测方法

由于复杂时序存在结构性断点和异常值等问题,往往导致预测模型训练效果不佳,并可能出现极端预测值的情况。为此,本文提出了基于修剪平均的神经网络集成预测方法。该方法首先从训练数据中生成多组训练集,然后分别训练多个神经网络预测模型,最后将多个神经网络的预测结果使用修剪平均策略进行集成。相较于简单平均策略而言,修剪平均策略不容易受到极值的影响,能够使集成模型获得鲁棒性强的预测效果。在实证研究中,本文构造了两种神经网络集成预测模型,分别为基于修剪平均的自举神经网络集成模型(Trimmed Average based Bootstrap Neural Network Ensemble, TA-BNNE)和基于修剪平均的蒙特卡洛神经网络集成模型(Trimmed Average based Monte Carlo Neural Network Ensemble, TA-MCNNE),并采用这两种模型对NN3竞赛数据集进行预测,结果表明在常规和复杂数据集上,修剪平均策略比简单平均策略具有更好的预测精度。此外,本文将所提出的集成模型与NN3的前十名模型进行比较,发现两种模型在全部数据集上均超过了第6名,在复杂数据集上的表现均超过了第1名,进一步验证本文所提方法的有效性。     

基于人工神经元网络的建筑工程造价预测方法研究

本文系统分析了建筑工程造价影响因素,确定了建筑工程分类特征集,训练集,学习模型,给出了人工神经元住宅造价预测实例。     

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。     

基于学习向量量化LVQ神经网络的财务危机预警研究

应用学习向量量化LVQ神经网络方法,以近期14个数据作为财务危机预警建模样本和测试样本,建立了财务危机的预警模型,经过对样本的反复训练和学习,得到了较好的预测结果.研究结果表明:LVQ神经网络是一种非线性映射模式,在指标间相关度较高、呈非线性变化,或数据缺漏不全等情况下仍可得到比较满意的结果.因此是一种比较理想的预测方法,具有广泛的适用性和较高的推广价值.     

动态全参数自调整BP神经网络模型的改进

针对BP网络存在的缺点,有多种改进方法。本文在文献[14]的基础上,从算法和网络结构设计方面又进行了综合改进,这不仅加快了网络的收敛速度,而且优化了网络的拓扑结构,从而增强了BP神经网络的适应能力。将新改进的BP网络应用于我国能源消费预测,取得了令人满意的效果。     

服务属性对顾客满意感影响程度研究--人工神经网络方法

为了更加深入地理解宾馆各服务属性对顾客满意感的影响,本文用实证研究方法,得出以下结论(1)影响宾馆顾客满意感的属性包括四类,即员工服务质量、客房质量、餐饮质量及商务服务质量;(2)员工服务质量是对宾馆顾客满意感影响最大的因素,其次为客房质量,餐饮质量和商务服务质量对宾馆顾客满意感的影响力较弱;(3)回归分析方法的预测正确率小于人工神经网络方法的预测正确率,说明人工神经网络方法在分析宾馆顾客满意感时,优于回归分析方法.     

基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究

光伏发电功率的预测是光伏发电规划和运行的基础,因而受到越来越多的重视。文中提出了FCM相似日聚类与智能算法相结合的光伏阵列功率短期预测模型。该方法的思路是首先通过分析影响光伏阵列输出功率的主要因素,对历史数据与预测日气象环境进行模糊分类,并筛选出相似度高的子集作为样本,以提高预测样本的质量;然后通过神经网络映射出特征空间与光伏功率之间的复杂关系,并用贝叶斯理论对神经网络参数进行优化,提高网络的泛化能力。为检验该方法的有效性和精确性,将所提出方法与常用BP神经网络模型对同一仿真算例进行预测,预测结果表明本文提出的预测模型效果更佳。     

基于Matlab的BP神经网络煤炭需求预测模型

煤炭是中国的基础能源,支撑着国民经济的高速发展。在未来的一段时期,煤炭的基础能源地位不会改变。要合理利用煤炭资源,保证我国经济的健康发展,煤炭需求的预测必不可少。近年来煤炭需求的预测存在一定的不足,精度较低。本文基于Matlab技术的双隐层BP神经网络对煤炭需求进行模拟分析,通过实际数据检验和实证分析,预测了未来五年的煤炭需求量。     

基于人工神经网络方法的税收年度预警系统研究

税收预警系统对政府制定决策,调控地方税收政策,具有重要支持作用,本文采用人工神经网络方法,建立税收神经网络预警系统,克服传统预警方法存在的缺陷,实际应用表明,该系统具备有效的预警能力,且具有学习功能.     

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。