基于SOM网络的股票聚类分析方法

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.     

双获胜节点SOM及其在TSP中的应用

在Kohonen提出的SOM(self-organization map)神经网络的基础上,通过拓广SOM网络的获胜节点数量,引入惩罚修正因子,改进邻域和连接权函数等方法提出一种新的SOM即SOMDW(SOM with double-winner)模型.为了验证该模型的有效性,以旅行商问题(traveling salesman problem,TSP)为例对该模型进行检验,得到了满意的结果.另外为了增强SOMDW网络的动态聚类性能,提高解的精确性,还采用禁忌搜索的搜索方法.     

一种自适应停止的SOM神经网络及其应用

RFID采集的车辆信息可以识别营运车辆的运行规律,采用这种方法能找出运行规律类似营运车辆的私家车,并判定为疑似非法营运车辆。应用SOM神经网络聚类时,初始化网络需要设置各种参数。为此,提出一种自适应确定网络训练次数的方法,利用权值导数来判断是否停止训练。利用UCI数据集对传统的和改进后的网络进行测试并对比,发现改进后的网络优于传统网络。最后,将改进后的网络用在车辆运行规律识别中,得到预期的效果。     

SOM网络在图像分割中的应用

图像的分割是图像分析中的一个基本问题,以往的图像分割算法主要是针对灰度图像。本文将图像的每个像素作为一个矢量,抽取原图像的一部分像素点训练ＳＯＭ网络,以训练得到的ＳＯＭ网络作为分类器对图像进行分割。这种方法也适用于彩色图像和各种多光谱图像分割。文章的最后给出了分割试验结果。     

高等学校教育资源集聚分类的SOM模型及应用

从集聚分类的角度,实证研究高等学校教育资源状况聚类模型,提出教育资源状况的聚类模型并结合实际进行分类。     

聚类在股票研究中的应用

聚类是按照事物的某些属性，把其聚集成类，使各类问的相似性尽量小，类内相似性尽量大。现在使用的一些聚类算法大多效率不高、聚类速度慢。文中在改进LBG算法的基础上提出了一种新的聚类算法，克服了传统的LBG算法的缺点，具有准确性高、测试时间短的优点。现将它应用于股票数据的预测分析中，实验结果表明这种新的聚类算法，相较于其它聚类算法能够取得更好的结果。     

聚类在股票研究中的应用

聚类是按照事物的某些属性,把其聚集成类,使各类间的相似性尽量小,类内相似性尽量大。现在使用的一些聚类算法大多效率不高、聚类速度慢。文中在改进LBG算法的基础上提出了一种新的聚类算法,克服了传统的LBG算法的缺点,具有准确性高、测试时间短的优点。现将它应用于股票数据的预测分析中,实验结果表明这种新的聚类算法,相较于其它聚类算法能够取得更好的结果。     

SOM网络模型在刑事案件并案侦查中的应用

在公安信息化应用过程中，对于刑事案件信息系统数据的应用仅限于存储、查询、和检索，而对这些数据进行更深层次的挖掘必将有利于提高案件的侦破水平和破案效率。并案侦查是公安机关刑事案件侦查中的一种重要手段，文章针对刑事案件信息数据的特点，在对案件相关信息预处理的基础上，通过构建自组织特征映射神经网络，对相同或相似案件进行聚类分析，为刑侦人员串并案件提供了一种新的方法，同时也为公安机关进行案件分析、发布预警信息提供辅助参考依据。     

竞争层结构可调SOM网络在中药模式识别中的应用

针对经典SOM算法无法准确反映原始数据的特征信息,提出了竞争层结构可调的SOM算法——CSA—SOM算法。该算法增加了竞争层神经元动态调节的步骤,调节的依据是不断比较原数据的位置信息和映射后低雏空间的位置信息,使两者最终能趋于一致。因此降维后的数据能够较好地保持原数据的特征,包括距离信息、角度信息以及分布信息。该算法有效地实现了红景天药材的准确清晰分类。算法理论分析和实验结果均表明,CSA—SOM算法是一种快速、准确的数据内在规律映射可视化算法,与SOM算法相比,CSA—SOM算法的特征映射效果比较好,解决了SOM算法会使映射后数据结构发生扭曲的问题。     

基于SOM聚类的数据挖掘方法及其应用研究

传统的聚类算法如Kmeans等,往往需要事先定义聚类数目。在实际应用中,多基于经验知识来确定类别个数,而且一般需要多次尝试,这种方法具有很大的盲目性。本文提出一种基于SOM的聚类算法,利用SOM的可视化功能和人眼在低维情况下对模式的快速识别能力来避免传统聚类算法确定聚类数目的盲目性。将提出的方法应用于某电信公司客户分群的实际问题当中,来刻画客户组的个性行为特征,以便销售人员制定针对性的营销策略,具有重要的实际意义。     

结合Mercer核与SOM的动态免疫网络聚类算法

提出一种用于聚类分析的进化免疫网络算法,借鉴自组织映射原理改进网络拓扑进化机制,利用改进的免疫机制控制抗体数量,提高抗原聚类效果.当输入样本分布呈高度非线性时,使用核方法提高聚类质量,为了避免在特征空间中聚类时失去对原输入空间聚类中心及结果的直观刻画,使用核代入为原输入空间导出一类不同于欧氏距离的新的距离度量,训练过程仍在原空间中进行.实验结果表明了算法的可行性和有效性.     

小波神经网络在股票技术分析中的应用

股票交易作为证券投资的一种,也越来越成为广大投资者的一个重要投资手段。股票市场是一个效益与风险并存的地方,没有分析的投资是盲目的投资。但股票市场受随机因素影响很大,利用线性很难分析。该文利用小波与神经网络作为一种大规模并行处理的非线性系统,依据数据本身的内在联系建模,具有良好的适应性与自学习能力、较强的抗干扰能力,在股票价格的短期预测中已取得了令人比较满意的成绩。     

基于网络论坛的股市分析方法

为更好地揣摩大众股民的心理及情感,提出一种基于网络论坛的股市分析方法。根据python实现相应的网络爬虫,利用该爬虫获取网络论坛中的所有帖子,对每日新帖子的数量进行统计分析,针对每个帖子中的文本内容设计分析工具,以进行情感分析,并将这些情感结果进行统计。实验结果表明,通过对比同一时期内的中国股市走势图,该方法能对其进行较为准确的分析。     

融合社交情感分析的股市预测探究

针对现有股市预测研究中所存在的大众情感度量不够全面的问题,提出了一种基于社交情感分析的股市预测模型. 该模型首先基于异构图模型的证券情感量化方法对社交媒介的数据进行情感分析,得到量化的情感时间序列;然后,基于自组织神经网络模型对情感序列及行情指数序列进行建模,从而对股票指数进行预测. 在国内社交媒介及股市行情数据集上的实验结果表明,本文所建立的模型在预测误差和精度上较BP（Back Propagation）神经网络分别提升了15%和12%,能更好地预测股票指数.     

证券网络的安全分析与防范措施

针对计算机网络在证券营业部的应用特点 ,分析了目前证券网络存在的安全威胁 ,并提出了解决方法     

基于FinBERT-CNN的股吧评论情感分析方法

我国股市波动受投资者情绪变化影响较大,通过对股吧等金融交流平台上投资者的评论进行情感分析,能够帮助投资者更好地了解股票市场的变化.现有的情感分析方法是利用模型对股票评论集进行分析,但缺少优质的股票评论标注数据集用于模型训练,且单一模型提取股票评论特征较为片面,模型的准确性有待提高.该文针对股吧平台上的评论数据,提出一种...     

基于k-means聚类的股票KDJ类指标综合分析方法

股票技术分析是证券分析的常用手段之一，目前的股票技术分析主要存在2个问题：1)都是从某个角度进行单维度分析，投资决策有较大偏差；2)任何单一的技术指标都有其局限性，需要相互补充才能更好进行投资决策。针对这些问题，本文讨论如何利用数据挖掘技术进行股票多维度综合分析问题。首先，分析数据挖掘应用到股票分析中可以解决的问题及可能面临的挑战；其次，提出一种基于数据挖掘聚类方法的选股模型；最后，对1364只上证股票进行实证分析，形成对股票的随机指标K、D、J等的综合挖掘结果。     

互联网股票新闻归类和板块分析的方法

从互联网角度研究和分析了股市新闻。针对互联网股市新闻的特点,提出了对它们进行分类分析的方法,通过对股市新闻的分析,期望能够找到股市运行的一些规律。在按照个股特征对网络上的股市新闻条目分类的同时,利用自然语言处理的功能,深入分析股市新闻内容,得到该股市新闻涉及的其他个股以及板块信息,并总结其影响力。     

自组织映射聚类算法在电信客户细分中的应用①

将自组织映射SOM（Self Organization Map）聚类算法应用于电信客户细分,并与采用K-means聚类算法得到的结果进行比较。实验表明,SOM可以有效的进行电信客户细分且聚类效果较优,但需付出训练时间的代价。同时对两种算法的复杂度、误差等进行了分析。