回响状态网络输出连接权重的一个稳定训练方法

鉴于在回响状态网络(ESN)的应用中常使用Wiener-Hopf方程学习输出连接权重,但该方法难以保证自治ESN的稳定性,首先分析了导致该稳定性丧失的原因,提出并证明了自治ESN具备Lyapunov稳定性的一个充分条件;然后将输出连接权重学习问题转化为一个非线性约束的最优化问题,并采用粒子群优化算法求解.仿真结果表明,所提方法既能确保ESN获取高精度的预测输出,又能保ESN的Lyapunov稳定性.     

可容忍预测误差及其在汇率组合预测中的应用

鉴于传统的最优化组合预测模型确定权重的方法未考虑到数据中极端值的影响,存在一定的局限性。为了更好地提高组合预测的精度,提出了预测结果可容忍误差的相关概念。将其应用到每种单项预测结果及组合预测结果的效果分析中,提出了一类基于可容忍误差的最优化组合预测模型,从而确定组合预测中各单项预测方法的权重。以2016年1月4日至2018年6月12日日元兑换美元日汇率收盘价的数据为例验证了模型的可行性和合理性。结果表明,所提出的最优化模型能够有效提高组合预测的精度。     

基于神经网络的时间序列组合预测模型研究及应用

基于时间序列预测模型及RBF神经网络,提出了一种新的组合预测方法.该方法采用三层结构的RBF网络来构造组合预测模型,将两种单一预测方法得出的预测结果,作为RBF网络的输入,而实际的历史数据值作为网络的期望输出,各种预测方法在组合预测中的权重由RBF网络的自学习获得.这样避免了一般线性组合预测方法中确定各个权重的复杂计算,又完整地涵盖了实际问题的线性与非线性两方面,综合地利用各种单一预测方法提供的信息,获得更好的预测结果,提高了预测精度.将这种预测方法应用在军事后勤保障中,取得了较好的效果.     

可扩展的多目标最优化多播路由

提出了一种提高多播可扩展性的新思路——将多播可扩展性作为一个最优化目标引入到多播路由算法的设计中,采用多目标最优化路由算法,提高现有多播可扩展性方法的效率.采用多目标最优化路由设计方法对AM(aggregated multicasc)和DTM(dynamic tunnel multicast)两种方法进行改进,给出了相应的最优化目标、启发式多目标最优化多播路由算法和多目标最优化多播路由遗传算法.对于AM方法,使用该算法可以有效地减少汇聚多播树的数量;对于DTM方法,使用该算法可以有效地增加非分枝节点的数量,减少多播状态.     

基于改进变权重组合预测模型的产品销售预测

通过分析汽车产品销售时序的特性引入组合预测理论,提出了一种改进的变权重组合预测模型并给出了变权重系数的求取方法。然后针对小样本、多维、多峰、非线性的销售时序特点,采用了基于支持向量机的三种单项预测方法。再通过实例分析显示基于改进变权重组合预测模型的预测精度高于单项预测模型和普通变权重组合预测模型。最后进行了汽车销售时序预测表明基于改进变权重组合预测模型的产品销售预测方法是有效和可行的。     

基于滑动窗口的一类非负可变权组合预测方法

针对基于结果的组合预测赋权问题,通过引入预测残差数据的变异系数和滑动窗口模型,给出一类基于滑动窗口和改进变异系数的组合预测时变权重确定方法.将传统基于预测数据层面的变异系数转移到预测残差数据层面,能有效消除传统变异系数由于数据数量级引起的数据变异程度被弱化的情况.结合滑动窗口模型,对已有的赋权方法和提出的基于改进变异系数的赋权方法进行调整,实现非时变权重向时变权重的过渡.实例分析表明,改进变异系数的有效性以及滑动窗口技术的引入能够有效提高组合预测精度.     

改进IOWHA算子组合预测模型

针对现有单项预测模型提供信息有限,预测误差大的问题,引用最优加权组合建模理论,将灰色关联度与IOWHA算子相结合,提出一种新的组合预测模型权重确定方法,并应用该权重确定方法构建了一种基于RBF神经网络预测模型和GM预测模型的最优组合预测模型。该模型能够克服传统组合预测方法的两个缺陷：加权平均系数不变和以单一误差指标为准则。利用该组合模型对全国物流需求进行组合预测,并与RBF神经网络模型、GM模型的预测结果进行了对比分析。结果表明,相对于单项预测模型,该组合预测模型的预测精度更高,是一种有效的物流需求预测模型。     

基于改进PSO的组合预测模型研究

为进一步提高组合预测的预测精度,有必要对预测模型的权重分配进行研究。将粒子群算法用于求解组合预测中模型的权重,并在研究过程中针对基本粒子群算法的不足,对粒子群算法的参数惯性权重和加速度因子进行了改进,构造了基于改进粒子群算法的组合预测模型。以重庆市物流需求的预测为背景,以四种方法为参照对象,对比验证了该改进模型的有效性以及预测的准确性。     

关于遗传算法的应用研究

遗传算法指的是Genetic.Algorithms,是一种比较完整的计算方法。文中介绍了遗传算法的原理、方法,以及它存在的问题。另外,从人工生命、图像处理、组合的最优化、自动控制等几个方面分析了遗传算法在各个领域中的应用以及它的发展前景。     

基于粗糙集与AHP结合的属性权重确定方法

属性权重的确定在决策分析中是很重要的一个环节,针对粗糙集理论客观属性权重确定方法和AHP方法主观属性权重确定方法的不足,将粗糙集与AHP方法进行有机结合,建立了属性权重最优化模型,并利用Matlab工具进行仿真,通过实例验证了最优化模型的有效性.