基于变精度粗集神经网的企业失败风险预测研究

描述粗糙集、变精度粗糙集和神经网的相关概念和应用机理,在此基础上构建基于变精度粗糙集的强耦合粗集神经网络,即变精度粗集神经网模型,并以此作为预测中国上市企业失败风险的研究方法.借助信息熵和T检验等手段对财务指标和非财务指标进行筛选,建立企业失败风险预测评价指标体系.在时间跨度上,选择(t-3)年作为研究起点,避免人为夸大预测精度.将被特别处理(ST)的上市企业作为界定企业失败的标准,以160家ST企业和160家配对非ST企业作为测试样本,利用FUSINTER技术离散化相关数据,运用粗糙集、变精度粗糙集、粗糙集神经网和变精度粗集神经网等模型进行实证研究.分析结果表明,在由78家ST和78家非ST企业组成的检验样本中,变精度粗集神经网的预测准确率要高于其他模型,且所需训练时间更短,生成规则更少,训练的整体效果最为理想,由此可以认为该模型比较适用于对中国上市企业进行失败风险的预测研究.     

基于神经网络的软件质量评估

粗集与神经网络的集成反映了人类正常的思维机制.它融合了定性和定量的,精确和非确定的,连续和平行的方法.本文建立了粗集(RS)的BP神经网络并进行属性约简的混合模型,对软件质量特性的关键值和软件系统质量予以评估,并提出了有效的算法.     

基于模糊神经网络的企业财务危机非线性组合预测方法研究

本文提出了一种基于模糊神经网络的企业财务危机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。通过与多元线性回归模型、Fisher模型和Logistic回归模型的预测结果对比表明,该方法具有预测精度高,学习与泛化能力强,适应性广的优点。在预测上市公司财务危机方面优于其他方法。     

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。     

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GRA和PCA的BP神经网络应用研究

运用BP神经网络方法对复杂系统建模的过程中，经常遇到指标多、历史数据不足而降低网络泛化能力的情况。为了提高神经网络的泛化能力，本文从简化网络规模的角度出发，运用灰色关联分析法和主成分分析法对原始数据集做降维预处理，达到减少神经网络输入节点个数的目的。将由此建立的预测模型应用于我国粮食产量的预测，与一般的BP神经网络模型和基于主成分的BP神经网络模型相比，该预测模型明显简化了网络结构，提高了预测效率，同时较大地提高了预测精度。     

基于粗糙集和神经网络的供应商决策选择研究

本文提出了一种基于粗集理论与神经网络相结合的供应商优化选择新方法.首先利用粗集理论对供应商原始指标决策表进行一致性属性约简,然后借助神经网络强大的学习能力对决策表进行自学习,完成属性的不一致约简,最后再由粗糙集对其进行值约简,得到最终的供应商优化选择决策规则,并给出了相应的算法.最后通过实例说明该方法的有效可行性.     

基于PSO-SVR模型的能源需求预测

本文将支持向量回归机(support vector regression,SVR)与粒子群算法(Particle Swarm Optimizat ion,PSO)相结合,选取1 985~2008年的能源需求量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的PSO-SVR能源需求预测模型。建立BP神经网络模型,并将两者的预测值进行对比,结果表明,PSO-SVR模型预测精度优于BP神经网络模型。     

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。     

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。     

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。     

中国股票市场多重分形游走及其预测

股票价格波动规律的研究是预测的基础,多重分形过程是迄今为止最为符合价格波动特性的模型。本文验证了中国股票市场的多重分形游走,并根据多重分形过程的局部尺度特性和多尺度相关性建立了小波和神经网络相结合的股票价格预测模型。实证研究结果表明,本文模型预测精度较由其他模型得到的预测精度明显提高。     

基于模糊优选和神经网络的企业财务危机预警

提出了基于系统模糊优选和神经网络模型的企业财务危机预警方法, 对企业财务危机的 测定、财务危机预警推理知识的神经网络动态学习与推理、财务危机指标的预测等功能进行了 集成, 实例分析表明该方法有效、可行, 为企业财务危机的动态预警提供了新的途径.     

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 Cross-Validation Analysis of Neural Network Out-of-Sample Performance in Exchange Rate Forecasting

Econometric methods used in foreign exchange rate forecasting have produced inferior out-of-sample results compared to a random walk model. Applications of neural networks have shown mixed findings. In this paper, we investigate the potentials of neural network models by employing two cross-validation schemes. The effects of different in-sample time periods and sample sizes are examined. Out-of-sample performance evaluated with four criteria across three forecasting horizons shows that neural networks are a more robust forecasting method than the random walk model. Moreover, neural network predictions are quite accurate even when the sample size is relatively small.