基于 PCA-BP 神经网络的股票价格预测研究

在股票决策问题的研究中,针对影响股票价格因素间存在高度的非线性、存在数据冗余等特征,传统股票预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高股票价格预测精度,提出一个基于主成份分析(PCA)的 BP 神经网络(BPNN)股票预测模型(PCA-BPNN).首先对影响股票价格波动的各因素进行主成份分析,消除各因素之间的冗余性,降低 BP 神经网络的输入维数,加快 BP 神经网络测速度并提高预测精度,然后利用 BPNN 对保留成分进行建模预测.利用 PEA-BPNN 模型对上海证券交易所上市的首创股份(600008)经济数据进行了验证性测试和分析,结果表明,PEA-BPNN 模型预测精度显著提高,是一种高效和准确的股票预测模型.     

神经网络在电力负荷预测中的应用研究

研究电力负荷预测问题,针对精确测量电力负荷,由于影响电力负荷因素之间存在着菲线性,因素之间存在冗余信息,传统的数学模型在电力负荷预测中精度较低,为了有效提高电力负荷的预测精度,提出了一种主成分分析(PCA)和BP神经网络相结合的电力负荷预测方法.利用PCA对电力负荷的影响因素进行特征提取,以BP神经网络对经过PCA处理得到的新的变量进行训练建模,采用PCA - BP神经网络模型对河南某地区的电力负荷进行了仿真.结果表明,相对于参比模型,可有效地消除因素间的冗余信息,降低了BP神经网络的输入维数,简化了网络的结构,加快了学习速度,显著提高了电力负荷预测精度,证明提出的预测模型在电力负荷预测中是有效.     

神经网络在石油价格预测中的仿真研究

在石油价格预测问题的研究中,石油价格预测与供求和经济政治有关.针对石油价格变化具有高度非线性、噪声和价格因子难以确定等特点,传统预测方法都是根据线性变化规律提出的,因此对石油价格预测精度低.为提高石油价格预测精度,提出一种主成分分析的BP神经网络石油价格预测模型.可通过定性分析获得石油价格变化影响因子,然后采用主成分分析消除数据中的噪声并选择重要影响因子,最后重要影响因子作为BP神经网络的输入,采用非线性预测能力强的神经网络对石油价格进行预测.实验结果表明,模型提高了石油价格预测精度,为石油价格预测提供了一种有效方法.     

神经网络在软件失效预测中的性能比较和研究

在软件开发的早期预测有失效倾向的软件模块,能够极大地提高软件的质量.软件失效预测中的一个普遍问题是数据中噪声的存在.神经网络具有鲁棒性而且对噪声有很强的抑制能力.不同结构的神经网络在训练算法和应用领域都有差异.该文主要就软件失效预测这个应用领域叙述几种适用的网络,并比较这几种网络在训练结果和性能上的差异.上述方法在SDH通信软件的失效预测中得到了成功的应用.试验结果显示虽然MLP、PNN、LVQ网络都能解决这类模式分类问题,但是只有MLP网络训练结果比较稳定,在不同的数据集上训练出的网络都有很好的预测效果.     

煤与瓦斯突出的PCA-BP神经网络预测模型研究

通过主成分分析法对煤与瓦斯突出的主要影响因素进行主成分提取,选取贡献率大于85%的3个主成分来代替原来的7个影响因素,以此来确定BP神经网络的输入参数为3个。根据煤与瓦斯突出的类型,建立了煤与瓦斯突出预测的PCA-BP神经网络模型。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对PCA-BP网络进行训练。以云南某煤矿的煤与瓦斯突出实例作为预测样本,仿真结果表明PCA-BP神经网络模型性能优于传统BP神经网络,能够满足煤与瓦斯突出预测的要求。     

PCA-BP在城市汽车保有量预测中的应用研究

城市汽车保有量影响因素众多,且存在复杂的相关关系,传统数学预测模型和神经网络模型,无法消除影响因素之间的相关性,从而导致预测精度较低.为提高城市汽车保有量预测精度,提出了一种基于主成分分析的BP神经网络预测模型.通过对城市汽车保有量影响因子进行主成分分析,消除各因子间的冗余信息,降低BP神经网络的输入维数,简化神经网络拓扑结构,提高城市汽车保有量的训练速度与预测精度.对南京市2006-2009年南京市汽车保有量进行仿真,实现结果表明,PCA-BP模型的训练速度快、预测精度高,可为城市汽车保有量预测提供参考依据.     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.     

PCA_RBF网络在电力负荷预测中的应用研究

研究电力负荷预测问题,由于电力负荷因子间存在非线性和高度冗余,传统方法无法消除数据之间冗余和捕捉非线性特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种将主成份分析(PCA)和RBF神经网络相结合的电力负荷预测方法(PCA-RBF).首先对电力负荷高维变量数据矩阵进行标准化处理,然后利用主成分分析建立相关矩阵,计算特征值和特征向量,通过求取累计方差贡献率,对主成分作为RBF神经网络的输入进行训练预测,主成分以较少的维数包含了原高维变量所携带的大部分信息,避免过多的输入导致的精度低和训练慢的不足.采用PCA_RBF模型对某省1992-2002的电力负荷数据进行验证性测试和分析.实验结果表明,改进的PCA_RBF模型可有效降提高负荷预测精度.     

主成分分析与神经网络的结合在多变量序列预测中的应用

目前预测方法的研究主要集中在单变量时间序列上,本文建立起一种针对多元变量非线性时间序列建模和预测的方法框架.首先,同时考虑序列状态间的线性相关性和非线性相关性,建立初始延迟窗以包含充分的预测信息;然后,利用主成分分析(PCA)方法寻找不同变量在数据空间中的最大方差方向,扩展PCA应用于提取多个变量的综合信息,重构多元变量输入状态相空间;最后,利用神经网络逼近不同变量之间以及当前状态和将来状态之间的函数映射关系,实现多元变量预测.对Ro¨ssler混沌方程和大连降雨、气温序列的预测仿真说明了本文方法的有效性,为多元变量时间序列分析提供了一条新的途径.     

基于神经网络集成的软件可靠性预测研究

为解决软件可靠性预测精度差和泛化能力不强问题,提出一种遗传算法集成神经网络的软件可靠性预测模型.通过遗传算法对神经网络集成权重进行了优化,并用主成分分析方法对软件属性度量数据进行了预处理,降低数据维数,简化神经网络的结构,加快神经网络的运算速度.仿真实验结果表明,基于遗传算法集成神经网络的软件可靠性预测模型同BP网络、LVQ网络和PNN网络相比具有更好的预测精度和泛化能力.     

基于灰色神经网络的煤岩界面预测研究

针对井下煤岩界面识别的实际情况,采用相同的初始数据分别建立了B P神经网络模型、小波神经网络模型和串联灰色神经网络模型,并利用三种模型进行预测,预测结果表明:这种灰色神经网络模型残差明显小于其它两种神经网络模型,预测精度较高,适合应用。     

基于神经网络与改进ABC算法的瓦斯预测研究

人工蜜蜂群(ABC)优化算法具有较强的全局搜索能力。在标准算法的基础上,参考粒子群优化算法,加入当前全局最优解对算法的有益引导;当观察蜂在引导蜂所在食物源附近搜索时,引入混沌搜索机制,改善局部搜索性能。利用改进的ABC算法,以网络训练的最小方差F为优化指标,优化神经网络的连接权值。优化后的神经网络用于瓦斯预测,取得了良好的效果。     

BP神经网络在股票预测中的应用

介绍了时间序列和BP神经网络算法,并给出信号正向传播和误差反向传播的公式,在此基础上运用BP算法对股票时间序列短期的走势进行预测分析.实验结果表明此方法效果良好,识别率高,具有一定的实用价值.     

基于改进小波神经网络的网络流量预测研究

采用小波神经网络对网络流量数据的时间序列进行建模与预测。针对传统小波神经网络训练算法的不足,提出了自适应量子粒子优化算法——AQPSO,用于训练小波神经网络,优化网络参数,建立基于AQPSO算法优化的小波网络预测模型。实验结果表明,该模型对网络流量的短期预测是有效可行的,并具有良好的收敛性和稳定性。     

基于PSO-BP神经网络的股市预测模型

为解决股市短期预测中BP神经网络法对初始权值敏感、易陷入局部极小值和收敛速度慢等问题,基于全局随机优化思想的粒子群优化(PSO)算法,对BP神经网络的初始权值进行了优化,建立了PSO-BP神经网络股市预测模型.并通过实例分析与传统BP神经网络预测法进行对比,结果表明该方法收敛速度明显提高,有效降低了训练误差,避免了陷入局部极小值,达到了较高的预测精度,在股市短期预测中具一定的实用价值.     

径向基神经网络的汇率预测模型研究

针对BP网络存在着收敛速度慢和局部极小的问题,提出了一种基于径向基神经网络的汇率预测研究方法。将经济变量数据归一化处理,然后送入径向基神经网络（RBF）中训练,得出相应参数,再对汇率进行预测。详细的仿真实验以及与BP神经网络的比较表明,该方法不仅运算速度较快,且预测精度明显要高于传统BP神经网络所能达到的效果。     

基于最优阶次分数阶神经网络的交通流预测

建立基于最优阶次的分数阶神经网络的动态预测模型,给出数据预处理、最优阶次优化和预测算法流程步骤,给定模型预测精确度的性能指标。分数阶神经网络是从时频两方面分析数据,比BP神经网络具有更灵活有效的函数逼近能力;针对短时数据分析,分数阶神经网络局部性与小波神经网络一致具有多分辨力,且有更强的自适应能力、更快的收敛速度和更高的预测精度。以短时交通流量数据为例进行仿真,与基于小波神经网络和BP神经网络模型的短时交通流量预测仿真比较,分析评价性能指标,结果表明分数阶神经网络最优阶次下可实现灵活快速有效的交通流量动态预测。     

基于灰色神经网络建模的水质参数预测

针对水质参数预测过程中样本数据少的特点,结合灰色新陈代谢GM(1,1)模型和BP神经网络模型,提出灰色新陈代谢BP神经网络组合模型。用灰色新陈代谢模型群的数据集作为BP神经网络的学习测试样本,解决了BP网络需要大量样本才能较好地逼近非线性函数的问题。实验表明,与普通BP网络、灰色新陈代谢模型比较,灰色新陈代谢BP神经网络组合模型的预测精度更高,能够应用于水质参数的预测。     

基于多尺度时空图神经网络的污染物浓度预测

基于深度学习的细粒度污染物浓度预测是一种新兴且具有前景的方法,如何充分利用气象、空间和时间等3大信息是其关键.为了协同融合3大信息,提出一种基于多尺度时空图神经网络的污染物浓度预测模型.该模型利用空气质量模型动态构建多尺度的时空图神经网络,学习污染物之间的动态时空关系.具体为:利用图神经网络学习污染物之间的多尺度空间关系,采用空气质量模型HYSPLIT构建图的结点和边属性,通过基于注意力机制的GRU (gate recurrent unit)学习污染物浓度之间的时序关系.该模型不仅充分考虑了气象、空间和时间3大影响因素,还将3个因素联动起来统一到一个框架内协同学习.该方法与传统的机理模型方法相比具有灵活部署、易于实施的特点.实际项目数据集和公开数据集上的实验表明:与现有先进的基于图神经网络的方法相比,该方法预测的污染物浓度平均绝对误差降低了0.6左右,对称平均绝对百分比误差降低0.005左右.     

基于粗糙集的GMDH神经网络的时间序列预测

针对随机时间序列的强不确定性和非线性特征,结合粗糙集理论和成组数据处理的神经网络技术建立了基于粗集的GMDH神经网络预测模型.同时就自然界大多数的随机时间序列数据维数较大的问题,为提高约简效率,提出了基于快速求核和集合近似质量的约简算法,并进行了仿真验证.结果表明,基于粗集的GMDH神经网络预测模型合理可行,约简算法快速有效.