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。     

遗传算法在供应商绩效评价中的应用

本文利用平衡记分卡思想建立了供应商绩效评价指标体系.结合遗传算法和BP神经网络构建了进化网络算法模型,克服了单纯网络学习易陷入局部极小的缺陷,并用指标样本检验了进化网络的有效性及改进性能,得到了比较理想的输出结果.     

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。     

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.     

图像识别技术在车辆识别中的应用

本论文提出了使用基于神经网络的图像识别算法,同时对图像处理中的重要步骤也根据神经网络的特点进行了相应的改进.主要简要介绍了图像识别原理和几种常用的模式识别方法.分析了目前在图像识别中常用的前馈神经网络模型及其算法,将遗传算法与BP网络相结合,有效解决了图像识别中BP算法容易陷入局部极小的不足.并且针对有限图像样本情况,建立了现有信息下可获得最优解的支持向量机模型.研究了多模式分类问题,提出了一种新的多分类策略,并给出了一种动态样本增量训练方法,使SVM能够根据需要随时增加需识别类型.并在最后给出了在实际问题中的应用方法.     

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。     

基于时间序列与机器算法的工商银行股票预测分析

股票市场在国家经济发展中发挥着重要作用,对于投资者来说,其有可能获得超额收益,也有可能遭受巨大损失。因此,如何合理地对股票未来发展作出预测,是投资者关心的问题。文章基于支持向量机、逻辑回归及BP神经网络3种机器学习算法建立分类预测模型,对工商银行股票下一个交易日的涨跌走势进行分析预测,并使用时间序列ARIMA模型进行预测,综合考虑训练模型,分析比较时间序列模型与机器学习对工商银行股票的预测能力。     

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.     

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。     

The Efficacy of Neural Networks in Predicting Returns on Stock and Bond Indices*

This paper uses two recently developed tests to identify neglected nonlinearity in the relationship between excess returns on four asset classes and several economic and financial variables. Having found some evidence of possible nonlinearity, it was then investigated whether the predictive power of these variables could be enhanced by using neural network models instead of linear regression or GARCH models. Some evidence of nonlinearity in the relationships between the explanatory variables and large stocks and corporate bonds was found. It was also found that the GARCH models are conditionally efficient with respect to neural network models, but the neural network models outperform GARCH models if financial performance measures are used. In resonance with the results reported for the tests for neglected nonlinearity, it was found that the neural network forecasts are conditionally efficient with respect to linear regression models for large stocks and corporate bonds, whereas the evidence is not statistically significant for small stocks and intermediate-term government bonds. This difference persists even when financial performance measures for individual asset classes are used for comparison.     

具有最优学习率的RBF神经网络及其应用

传统固定学习率的RBF神经网络在金融时间序列预测方面已经有比较成功的应用,但网络学习率的选择问题却给传统RBF神经网络的使用带来了不便.利用梯度下降法及优化方法推导出了RBF神经网络的动态最优学习率并将其应用于网络学习算法,具有最优学习率的RBF神经网络能够在保证网络稳定学习的同时兼顾网络的收敛速度.为了检验具有动态最优学习率的RBF神经网络的预测效果,对沪深300指数波动率进行了预测实验.实验结果表明,具有动态最优学习率的RBF神经网络比传统的固定学习率的RBF神经网络有着更快的收敛速度,同时也避免了人为选定学习率的不便.     

现代物流与经济增长的关系研究——基于浙江省的实证分析

本文从供给推动、需求拉动两个角度分析现代物流发展与经济增长之间的相互关系,并运用了格兰杰因果检验方法,以浙江省为例对现代物流发展与经济增长之间的双向因果关系进行分析,发现现代物流发展与经济增长之间互为因果,即存在互动关系,浙江省现代物流与经济增长呈现出相互促进、共同发展的良好态势.     

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。     

基于人工智能的隐含波动率的敏感度的研究

隐含波动率是指在市场中观察的期权价格所蕴涵的波动率。不同种类的期权价格对波动率的敏感度不同,本文建立了小波神经网络和遗传算法相结合的模型,将期权按钱性进行分类,提出了加权的隐含波动率作为神经网络的输入变量,通过遗传算法来求取不同种类期权的隐含波动率的最优权重。在香港衍生品市场的实证中表明,本文所提出的模型要优于传统的Black-Scholes模型和其它在本文中提到的神经网络模型。     

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。