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.     

非线性协整建模研究及沪深股市实证分析

讨论了线性协整和非线性协整的涵义,指出在非线性系统中,非线性协整可以更好地刻画多个时间序列之间的均衡关系.提出了利用小波神经网络逼近非线性协整函数的方法,并给出了训练小波神经网络的变尺度算法.最后利用上海和深圳股指数据进行了实证研究,通过与BP神经网络的比较,证实了小波神经网络在非线性协整建模中的有效性,并说明沪深股市之间存在着非线性协整关系.     

基于商品房销售预测的灰色BP神经网络方法

应用灰色理论与BP神经网络理论,提出了一种基于灰色BP神经网络(GBPNN)的商品房销售预测方法,并建立了相应的GBPNN模型和求解.结果表明该方法不仅能优化预测精度,而且是一种很好的预测问题的有效方法.     

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。     

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.     

基于BP神经网络的上市公司财务预警研究

文章采用BP神经网络方法,以263家制造业上市公司的截面财务指标作为学习样本,并使用76家制造业上市公司作为检验样本,建立了制造业上市公司财务预警模型.研究结果表明与没有区分行业的通用预警模型相比,分行业的BP神经网络财务预警模型的预测精度有了较大提高,为广大投资者和监管机构预测公司财务状况提供了可靠的依据.BP神经网络在分析和研究我国上市公司的财务状况方面,具有广泛的应用前景.     

R＆D项目中止决策的区域映射模型

讨论了BP神经网络进行R&D项目中止决策时存在的缺陷,提出了R&D项目中止决策的区域映射模型,结合教师区域的范围以及像点集合的平面分布特征设计了每个类的判定标准和分类算法.区域映射模型能够克服BP神经网络收敛速度慢、易陷入局部极小点等不足,保证了实际分类准则与训练准则的一致性,具有很高的识别率和比BP神经网络更快的收敛速度,是R&项目中止决策的一个有效的模式识别工具.     

基于粗糙神经网络的客户消费分类模型研究

针对客户消费属性的多维、相关及不确定的特点,提出了基于粗糙神经网络(RS-NN)的客户消费分类模型.在揭示了客户消费分类问题的粗糙集特性基础上,设计出由预处理分类知识空间、建立消费分类模型、分类模型应用构成的研究框架,系统阐述了基于粗糙集的约简消费属性、提取分类规则、构建粗糙集神经网络初始拓扑结构、训练和检验网络模型等一系列关键技术,最后以某地区电信客户管理为建模示例.结果表明:RS-NN模型在模型结构、模型效率、分类预测精度方面均优于BP-NN算法,是一种有效和实用的客户分类新方法.     

基于粗糙集理论-神经网络-蜂群算法集成的客户流失研究

针对电信客户流失问题的复杂性,融合粗糙集理论、神经网络和蜂群算法的优势,提出了一种新的客户流失预测模型——基于粗糙集理论、神经网络和蜂群算法线性集成多分类器的客户流失预测模型。首先利用自组织神经网络(SOM)对连续属性值进行非监督离散化处理;接着使用粗糙集方法(RS)对离散属性进行约简;然后分别使用BP神经网络、RBF神经网络、ELMAN神经网络和广义回归神经网络(GRNN)在约简属性集上建立4个子分类器;最后使用模型集成法对4个子分类器进行线性集成,并采用人工蜂群(ABC)算法优化线性组合的权重。将该模型应用于某电信客户流失,实验结果表明该集成方法是可行且有效的。     

基于商品房销售预测的灰色Bp神经网络方法

应用灰色理论与BP神经网络理论,提出了一种基于灰色BP神经网络(GBPNN)的商品房销售预测方法,并建立了相应的GBPNN模型和求解。结果表明该方法不仅能优化预测精度,而且是一种很好的预测问题的有效方法。     

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。     

基于最小二乘的支持向量机在电力需求预测中的应用

文章针对常规电力需求预测方法的不足,在分析SVM的线性和非线性分类方法的基础上提出一种基于最小二乘的支持向量机预测方法.LS-SVM模型采用结构风险最小化原则,能够在对小样本学习的基础上,对其他样本快速、准确的拟合预测,具有更好的泛化性能和精度,减少对初始值的依赖.文章采用河北省某市实际的负荷数据,按照不同的负荷日属性和历史数据属性进行样本选择,使用径向基核函数进行了电力需求预测.将预测结果与真实值和由时间序列及BP神经网络方法得到的结论进行比较,表明所提出的预测模型具有较高的精度,是有效和可行的.     

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。     

基于人工神经网络的企业知识管理综合评价模型研究

本文主要研究人工神经网络在企业知识管理评价中的应用问题。为了克服综合评价过程的随机性与评价专家主观上的不确定性,本文提出基于人工神经网络的企业知识管理综合评价模型。该模型采用多层前馈神经网络及BP算法,其仿真实现是以MATLAB下神经网络工具箱作为开发工具。通过仿真实例与专家评估相比较,验证了该模型的有效性。     

企业网络广告的定价策略研究

网络广告的定价策略有多种,本文对一个企业在多个网站发布广告按曝光次数定价策略建立了网络优化模型,并推导出其它常用的两种定价策略的模型.然后对网络广告中点进率降低、网站数量的选择、不同定价策略的差异等问题进行了分析.最后基于变分不等式方法提出了求解优化模型的算法并给出了算例,算例结果表明了网络模型对网络广告定价策略的选择是有效的.     

基于相似样本归并的大样本混合信用评估模型北大核心CSCDCSSCI

当前面向大样本设计的信用评估模型,大多没有深入探究大样本的分布特征,只是简单地将传统评估方法应用在大样本上.首先提出了用于描述大样本分布特征的相关属性集、边界向量等若干概念及定义,并证明了其主要性质.之后在两个大样本数据集的基础上,研究了样本在相似性方面的分布特征,最后设计了一种大样本混合信用评估模型——HLSCE模型.HLSCE模型认为在大样本数据集中,样本的同一属性在不同局部区域内,对分类性能的贡献是不同的.具体地,HLSCE模型根据各样本与边界向量的相似性差异,结合生物启发式算法,将样本归并划分为若干子集并分别在其上训练基分类器.实证研究表明,HLSCE模型的分类精度相比于现有的代表性信用评估模型更高,同时也具有更为优越的平衡性与稳定性.     

基于相似样本归并的大样本混合信用评估模型

当前面向大样本设计的信用评估模型,大多没有深入探究大样本的分布特征,只是简单地将传统评估方法应用在大样本上.首先提出了用于描述大样本分布特征的相关属性集、边界向量等若干概念及定义,并证明了其主要性质.之后在两个大样本数据集的基础上,研究了样本在相似性方面的分布特征,最后设计了一种大样本混合信用评估模型——HLSCE模型.HLSCE模型认为在大样本数据集中,样本的同一属性在不同局部区域内,对分类性能的贡献是不同的.具体地,HLSCE模型根据各样本与边界向量的相似性差异,结合生物启发式算法,将样本归并划分为若干子集并分别在其上训练基分类器.实证研究表明,HLSCE模型的分类精度相比于现有的代表性信用评估模型更高,同时也具有更为优越的平衡性与稳定性.     

基于并联灰色神经网络的陕西省宏观经济预测

结合灰色GM（1,1）预测模型和BP神经网络2种预测模型的优点,提出了一种并联灰色神经网络模型,并用该模型对陕西省宏观经济进行预测.结果表明,并联灰色神经网络预测精度高于单一的灰色GM（1,1）预测模型或BP神经网络.