排序方式: 共有17条查询结果,搜索用时 0 毫秒
1.
基于SOM网络的股票聚类分析方法 总被引:1,自引:0,他引:1
无监督的自组织映射(SOM)神经网络是用于聚类的主要人工神经网络模型之一.在SOM网络的基础上改进了网络中的邻域函数,并将其用于对股票进行分析和选择,得到了令人满意的结果.为了提高解的精度,避免多个输入样本映射到同一输出节点还提出了禁忌映射的方法.数值模拟表明该模型对于上市公司的聚类结果令人满意,对于股民客观、准确地选出真正具有投资价值的股票具有指导意义. 相似文献
2.
3.
根据教师、学生、课程、教室和时间要求建立多约束数学模型,并结合遗传算法特点,对其各个步骤进行了改进,提出了基于三维自适应遗传算法的排课方法。实验结果表明,与传统排课方法相比,基于三维自适应遗传算法的排课方法能有效降低课程之间的冲突率,提高排课效率和成功率。 相似文献
4.
5.
在Elman网络的基础上提出了两种改进网络:输出-输入反馈Elman网络和输出-隐层反馈Elman网络模型,并以前者作为误差反传的通道,建立了递归反向传播控制神经网络模型.在Lyapunov稳定性意义下分别给出了改进网络的稳定性证明,得到了保证网络稳定收敛的最佳自适应学习速率.分别用Elman网络及其改进网络对超声马达进行了模拟.利用改进的Elman网络模型,除了可以较好地模拟马达速度以外,还得到了一些有意义的结果,据此可以根据现场数据采样的情况,选用不同的网络模型.模拟实验结果表明,递归反向传播控制神经网络对多种形式的超声马达参考速度都有很好的控制效果. 相似文献
6.
时小虎 《自动化与仪器仪表》2013,(5)
随着远程教育报名人数的与日俱增,传统的电话咨询、现场报名的方式已经不能满足短时间内庞大的学生报名需求。本文通过分析远程教育招生报名系统的开发环境、报名管理需求、工作流程和报名系统的功能模块,设计了基于asp.net与sql server的远程教育招生报名系统,阐述了缓存优化技术和在线咨询2个关键技术,以实现远程异地报名,有效地解决了传统报名的工作量大、效率低的弊端。 相似文献
7.
延时-回归神经网络及在超声马达控制中的应用 总被引:1,自引:0,他引:1
提出了一个结构简单的延时—回归神经网络(Time-delay recurrent neural network,TDRNN)模型.通过在网络中同时引入延时结构和反馈结构来保证网络具有高的记忆"深度"和的记忆"分辨率".建立了TDRNN型的控制器对超声马达进行控制,推导了TDRNN的动态递归反传算法.在离散型Lyapunov稳定性的意义下,导出了权值自适应学习速率的取值范围,保证控制系统的快速收敛.对超声马达速度控制的数值实验表明,本文提出的延时—回归神经网络在动态系统的辨识和控制方面具有很好的性能. 相似文献
8.
本文以提高弯道检测效果为主要目的,并综合考虑检测速度,提出了一种基于残差网络的弯道增强车道线检测方法。该方法采用残差网络为主体框架,通过在损失函数中加入弯道结构约束条件实现弯道增强;另一方面,为降低模型的复杂度,采用权值稀疏剪枝技术对模型进行缩减。实验结果表明:本文提出的弯道增强策略有效提高了在弯道场景下的算法性能,且对直线车道的检测性能影响较小。加入了权值稀疏剪枝策略之后,算法在性能未明显下降的前提下大幅度减少了计算时间,更符合实际生产需求。 相似文献
9.
为了增强自组织映射(self-organizing map, SOM)网络的动态竞争和聚类能力,提高解的精度,在无监督的SOM神经网络的基础上,通过拓广获胜节点的数量,改进网络中的邻域函数和连接权函数等方法,提出具有多获胜节点的SOM模型.为了避免多个输入样本映射到同一个输出节点,还提出了禁忌映射的方法.为了验证所提出的方法的有效性,以股票的聚类分析为实例,对该方法进行了检验.通过对每股收益、每股净资产、净资产收益率、每股经营性现金流量及净利润等5项反映上市公司综合盈利能力的财务指标进行了模拟实验,所得的数值结果表明,在标准SOM及所提出的几种多获胜节点SOM网络模型中,具有双获胜节点(SOM with 2 winners, SOM2W)的网络模型获得了最好的聚类效果.结合实验结果对网络模型的进一步分析也表明,SOM2W的聚类能力优于标准SOM及其他网络模型.该模型为股票的分析和选择提供了一种可行的途径,在金融领域具有潜在的应用价值. 相似文献
10.
权吸引子传播算法及其在文本聚类中的应用 总被引:1,自引:0,他引:1
吸引子传播算法(affinity propagation, AP)是一种新的高效聚类算法.由于AP算法简单易用,它已被广泛应用到数据挖掘的各个领域.在AP算法中,相似性度量具有重要作用.另一方面,传统的文本挖掘常采用向量空间模型和满足欧氏空间的相似性度量.这种方法的优点是简单且易于实现,但随着数据规模的膨胀,向量空间将变得高维稀疏并将导致计算复杂度快速增长.为解决此问题,给出了相似特征集、排斥特征集和仲裁特征集的概念,在这些概念的基础上提出了一种能够包含文本结构信息的非欧空间相似性度量方法.并提出了一种新的聚类算法,称之为权吸引子传播算法(weight affinity propagation, WAP).为检验提出算法的聚类效果,选用标准数据集Reuters-21578进行了验证.实验结果表明WAP明显优于k-means聚类算法、具备非线性特征的SOFM聚类算法和采用经典相似性度量的吸引子传播算法等3种经典聚类算法. 相似文献