神经网络在股票价格预测中的研究

研究准确优化预测股票价格问题,针对影响股票价格具有非线性、不稳定的特征,股票价格由于受到社会经济因素的影响,变化大.采用传统神经网络方法在股票价格预测中易陷入局部极小值,泛化能力受到影响.为了提高股票价格精度,提出一种基于粒子群优化算法(PSO)的RBF神经网络(RBFNN)股票价格预测模型.利用粒子群优化算法的良好的寻优能力,对RBF神经网络参数进行优化,从而加快RBF神经网络运算速度,并提高了RBF神经网络的预测精度.利用粒子群优化的RBF神经模型对上证指数(000001)股票价格进行了验证性测试和分析,实验结果表明,相对于各参比模型,经过粒子群优化的RBF神经网络模型预测方法有更好的收敛性,更强的学习能力,显著地提高了预测精度,可为预测提供依据.     

一种基于AFSA的神经网络投影寻踪耦合回归模型

人工鱼群算法是通过模仿鱼群的觅食、聚群和追尾等行为寻找最佳觅食水域从而实现全局寻优的优化算法。应用神经网络的投影寻踪耦合回归模型存在优化问题,学习过程中运用人工鱼群算法进行优化,进而获得最佳的投影方向、阈值和正交Hermite多项式系数。本文描述了应用人工鱼群算法优化的神经网络投影寻踪耦合回归模型算法。仿真实验结果表明,该算法可以获得满意的预测效果。     

基于灰关联理论和神经网络的价值预测方法

为了预测股票价格的短期走势,在预测算法中引进RBF神经网络,利用RBF神经网络具有唯一最佳逼近、无局部极小、学习速度快的特点,在预测股票行情时,能达到较高的精度。同时,为了优化RBF网络的输入参数结构,引入二次参数的概念,设计了基于灰关联理论的技术指标选择控制器,从众多的技术指标中选出部分最能反映股票近期趋势的指标,从而获得包含股市本质信息的低维输入,大幅度减少了运算量。最后,在综合两者优势的基础上构造了一种新型价值预测系统,该系统具有较快的运算速度和较高的预测精度。仿真实验表明,该方案是可行的。     

一种采用动态游动模式的鱼群算法

在鱼群算法优化的研究中,针对人工鱼群算法(AFSA)存在的速度慢、精度差、早熟收敛等问题,提出一种新的改进人工鱼群算法,即一种采用动态游动模式的鱼群算法(DSMFSA).上述算法让每条“鱼”具有多种搜索模式,让每条“鱼”具有机动搜索食物的能力,并可根据群体信息的反馈和自身状态随时调整搜索方式.在数值实验中选择了几个比较典型的基准函数,用来测试上述算法的性能.实验结果表明:DSMFSA算法大大改善了人工鱼群算法(AFSA)存在的易陷入局部最优、优化精度不高之不足,明显具有比AFSA好得多的优化性能.说明改进算法具有跳出局部最优的能力,可用于求解高维的复杂优化问题.     

改进人工蜂群算法优化RBF神经网络的短时交通流预测

为了提高径向基函数RBF神经网络预测模型对短时交通流的预测准确性,提出了一种基于改进人工蜂群算法优化RBF神经网络的短时交通流预测模型。利用改进人工蜂群算法确定RBF网络隐含层的中心值以及隐含层单元数,然后训练改进的人工蜂群算法RBF神经网络预测模型,并将其应用到某城市4天的短时交通流量数据的验证。将实验结果与传统RBF神经网络预测模型、BP神经网络预测模型和小波神经网络预测模型进行了比较。对比结果表明,该方法对短时交通流具有更高的预测准确性。     

基于PCA和IFOA-BP神经网络的股价预测模型

针对基于BP神经网络的股票价格预测模型在价格预测时存在较大误差的问题,在BP神经网络方法的基础上引入了主成分分析方法(PCA)和改进的果蝇算法(IFOA),提出一种基于PCA-IFOA-BP神经网络的股票价格预测模型。通过PCA对股票历史数据进行降维,减少冗余信息;采用改进的果蝇算法优化BP神经网络的初始权值和阈值;建立基于PCA和IFOA-BP神经网络的股票价格预测模型。对上证指数股票价格数据进行仿真验证,仿真结果表明:在股票价格预测中,该模型比BP神经网络、PCA-BP和PCA-FOA-BP的预测精度更高,是一种有效可行的预测方法。     

基于粒子群优化RBF神经网络原油含水率预测

原油含水率预测对于确定油井水、油层位以及估计原油产量有着非常重要意义。BP神经网络是最近常用的原油含水率预测方法,然而,由于BP神经网络存在容易陷入局部极小值、收敛速度慢等问题,影响了其预测的实用性和准确性,对此,提出基于粒子群优化RBF神经网络(PSO-RBFNN)的原油含水率预测方法,粒子群优化算法用于RBF神经网络参数优化。在分析原油含水率预测的影响因素基础上,建立粒子群优化RBF神经网络的原油含水率预测模型。实验结果表明,在原油含水率预测中,基于粒子群优化RBF神经网络比BP神经网络有着更高的预测精度。     

MC-CDMA系统的神经鱼群算法检测器

为使人工鱼群算法在最短的时间内取得多用户检测问题的最优解,在MC-CDMA系统基础上设计一种神经网络人工鱼群算法。人工鱼的3种神经网络行为使神经网络人工鱼群算法在解决多用户检测该类组合优化问题时,减少搜索的随机性和任意性,加快原鱼群算法的收敛速度。仿真结果证明,该算法能够快速收敛,且其抗多址干扰能力和抗远近效应能力优于已有应用智能算法的多用户检测器。     

人工鱼群神经网络速度辨识器及应用

为实现无速度传感器直接转矩控制,有时采用神经网络转速辨识器,但前馈神经网络结构难以确定,运用BP算法时又极易陷入局部解.将人工鱼群算法和BP算法结合,采用人工鱼群算法优化神经网络的结构及网络初始权值,再利用BP算法对网络权值进行精确调节;将人工鱼群算法与BP算法相结合的AFSA BP算法,实现了人工鱼群算法的全局搜索能力与BP算法的局部寻优性能的互补结合.将所设计的神经网络转速辨识器运用到直接转矩控制系统当中.利用MAT-LAB/SIMULINk实现无速度传感器控制系统的仿真实验结果表明,该算法具有良好辨识效果.     

基于FAM-ELM股票价格预测研究

研究股票价格准确预测问题.股票价格预测是股票交易者最关心的问题,直接影响着股票交易者的收益.由于股票受经济发展的影响,价格波动较大,在股票价格预测中采用传统神经网络方法存在训练速度慢,易陷入局部极小值,隐含层节点数人为指定等问题,导致泛化能力受到影响,预测不准.为了提高股票价格预测的精度,提出基于因子分析法的极限学习机股票价格预测模型.首先使用因子分析法综合股票价格影响指标;接着使用隐含层神经元数量寻优算法搜索最优隐含层神经元数量值;然后使用极限学习机对综合后的股票价格影响指标进行学习,建立股票价格预测模型;最后通过实验对模型性能进行测试.试验结果证明,基于因子分析法的极限学习机提高了股票价格的预测精度和运行效率.     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

Melt index prediction by RBF neural network optimized with an MPSO-SA hybrid algorithm

Melt index (MI) is considered as an important quality variable which determines the product specifications, so reliable estimation of MI is crucial in the quality control of practical polypropylene (PP) polymerization processes. A novel MPSO-SA-RNN (modified PSO-SA algorithm and RBF neural network) MI prediction model based on radial basis function (RBF) neural network and artificial intelligent algorithms particle swarm optimization (PSO), and simulated annealing (SA) is presented, where the traditional PSO is modified first and then combined with SA to overcome the inherent defects in PSO and SA, and to achieve better optimization performance. The proposed optimization algorithm, MPSO-SA algorithm, is then used to optimize the parameters of the RBF neural network. Then the network is employed to build the MI prediction model, and the MPSO-SA-RNN model is thereby developed. Based on the data from a real plant, the approach presented above is evaluated and the research results confirm the validity of the proposed model, as well as the advantage of MPSO-SA algorithm to the traditional PSO and SA algorithms in handling optimization problems.     

基于模拟退火的并行粒子群优化研究

针对粒子群优化(PSO)容易陷入局部极小，提出将模拟退火(SA)引入并行PSO算法．这种模拟退火并行粒子群算法，结合了并行粒子群算法的快速寻优能力和SA的概率突跳特性，保持了群体多样性，从而避免了种群退化．针对转炉提钒过程是一个复杂非线性反应过程而难以建立终点控制模型的问题，提出了基于模拟退火的并行粒子群RBF网络的辨识模型，优化了RBF核中心个数，从而克服了随机性选择．将该模型用于预测提钒吹氧时间，仿真结果表明预测误差不超过真实值的20％．     

改进PSO优化RBF的网络安全态势预测研究

针对网络安全态势预测,为了提高预测精度和预测算法的收敛速度,采用一种改进的粒子群算法(PSO)来优化径向基函数(RBF)神经网络.首先,PSO的惯性权重因子按一条开口向左的抛物线递减,在保证全局寻优的同时又增强了局部搜索能力;其次,通过权重因子的调节自动寻优,并将搜寻到的全局最优值解码成RBF的网络参数;最后,通过优化的RBF网络进行网络安全态势预测.仿真实验表明,改进后的算法能较准确地预测网络安全态势.与BP算法和RBF算法相比,本文算法在预测精度上有所提高,同时收敛速度加快,能达到更好的预测效果.     

一种基于学习型人工免疫算法的股价预测模型

In traditional artificial immune algorithm, there is no differentiation in clone step and variation step, and BP neural network is prone to obtain local minimum value. This paper presents a hybrid model combining a learning artificial immune algorithm and BP algorithm for stock shares forecast and investment strategy analysis. This model overcomes the shortcomings of artificial immune algorithm in cloning antibody and antibody variation without differentiation, and adds the antibody learning function in the model, accelerating the convergence speed and accuracy of antibody optimization. The simulation results show that the stock price prediction model with learning artificial immune algorithm is superior to BP stock price prediction model in the stock price prediction accuracy and investment strategy.     

基于量子粒子群的全参数连分式混沌时间序列预测

针对传统混沌时间序列预测模型的复杂性、低精度性和低时效性的缺点, 在倒差商连分式基础上提出全参数连分式模型, 并利用量子粒子群优化算法优化模型参数, 将参数优化问题转化为多维空间上的函数优化问题. 以二阶强迫布鲁塞尔振子和三维二次自治广义Lorenz 系统为模型, 通过四阶Runge-Kutta 法产生混沌时间序列, 并利用基于量子粒子群优化算法的全参数连分式、BP 神经网络和RBF 神经网络分别对混沌时间序列进行单步和多步预测. 仿真结果表明, 基于量子粒子群优化算法的全参数连分式结构简单、精度高、效率高, 该预测模型可被推广和应用.

     

基于人工鱼群和微粒群混合算法的WSN节点部署策略

将无线传感器网络节点分布部署问题形式化为一个组合优化问题,以网络覆盖率为目标函数。针对该模型 提出基于人工鱼群与微粒群的混合算法的无线传感器网络节点部署优化策略。微粒群算法搜索效率高,而人工鱼群 算法进行搜索时有很好的全局性。AF SA-POS算法将这两种算法相结合,局部搜索速度快,而且有效地解决了标准 PS<)算法中的粒子“早熟”问题。最后使用MA"I'LAI3进行了实验,结果表明提出的算法减少了迭代次数,并且提高了 网络覆盖率,相对于人工鱼群算法和微粒群算法来说能取得更好的效果。     

神经网络和改进粒子群算法在地震预测中的应用

提出了一种基于神经网络与改进粒子群算法的地震预测方法,该方法采用前向神经网络作为地震震级的预测模型,引入改进的粒子群算法对前向网络的连接权值进行修正。为了设计在全局搜索和局部搜索之间取得最佳平衡的惯性权重,基于粒子动态变异思想对粒子群优化算法进行改进,提出了一种动态变异粒子群优化算法,并将其应用于地震震级预测神经网络模型优化。在仿真实验中,将所提出的方法与另外两个采用不同算法的前向网络预测方法进行了比较。结果表明所提出的优化算法收敛速度最快,所得模型的预测误差最小,泛化能力最强,对地震的中期预测有很好的参考作用。     

Forecasting stock indices using radial basis function neural networks optimized by artificial fish swarm algorithm

Stock index forecasting is a hot issue in the financial arena. As the movements of stock indices are non-linear and subject to many internal and external factors, they pose a great challenge to researchers who try to predict them. In this paper, we select a radial basis function neural network (RBFNN) to train data and forecast the stock indices of the Shanghai Stock Exchange. We introduce the artificial fish swarm algorithm (AFSA) to optimize RBF. To increase forecasting efficiency, a K-means clustering algorithm is optimized by AFSA in the learning process of RBF. To verify the usefulness of our algorithm, we compared the forecasting results of RBF optimized by AFSA, genetic algorithms (GA) and particle swarm optimization (PSO), as well as forecasting results of ARIMA, BP and support vector machine (SVM). Our experiment indicates that RBF optimized by AFSA is an easy-to-use algorithm with considerable accuracy. Of all the combinations we tried in this paper, BIAS6 + MA5 + ASY4 was the optimum group with the least errors.