粗糙集属性约简方法在股票预测中的应用研究

针对神经网络在股票预测中遇到的困难,在预测模型中引入粗糙集理论,提出一种基于粗糙集与神经网络相结合的预测方法,并根据基本遗传算法的弱点对其进行了改进。首先,介绍了基于遗传算法的属性约简方法,对各遗传因子进行改进。然后,采用基于改进遗传算法的属性约简方法对模型的样本数据进行约简,删除冗余数据,得到样本输入的最小约简。最后,利用约简后的样本对预测模型进行训练与检验。实验结果表明,该方法具有较高的预测精度,能有效地解决网络结构复杂、学习速度缓慢等问题。     

基于FRS与GA-ELM的煤与瓦斯突出预测研究

针对煤与瓦斯突出发生内在机理复杂性、致突因素与突出事件之间模糊性导致预测精度不高这一问题,提出将模糊粗糙集理论（FRS）结合改进的极端学习机（ELM）进行煤与瓦斯突出预测。通过FRS信息约简理论降低致突因素原始数据属性维度,提取出致突辅助因素,与主要因素共同作为ELM网络神经元输入,利用遗传算法（GA）对极端学习机网络输入权值、隐含层阈值进行优化,建立GA-ELM预测模型,模型输出为煤与瓦斯突出强度预测结果。经过模型训练和试验验证,该模型泛化能力强、预测精度高、收敛速度明显加快。     

基于粗糙集的进化神经网络入侵检测系统研究

针对目前实时入侵检测系统所处理的网络数据具有的非线性和高维的特点,提出基于粗糙集理论的进化神经网络入侵检测方法。对网络中截获的数据,利用粗糙集属性约简方法对其属性集进行约简,得到影响分类精度的重要属性。把约简后形成的训练样本进行数值化和归一化处理,作为神经网络的输入数据,再利用遗传算法较强的宏观搜索能力和全局寻优的特点,优化神经网络权值,并在此基础上进行神经网络学习,从而建立入侵检测系统的优化分析模型。实验结果表明,该算法学习速度快,有效提高了入侵检测系统的检测效率。     

基于进化神经网络的短期电网负荷预测算法

本文提出了一种基于进化神经网络的短期电网负荷预测算法。该算法使用了改进的人工蜂群算法与BP神经网络融合生成的进化神经网络,并且使用改进的人工蜂群算法对进化神经网络的偏置和权重进行优化。该算法将火电历史负荷数据作为输入,使用进化神经网络训练预测模型,预测未来一段时间内的电网负荷。首先获取历史负荷数据,然后将收集到的数据应用于进化神经网络模型训练。人工蜂群算法作为一种全局搜索算法,可以有效地探索模型参数空间,寻找最佳的模型参数组合以提升预测精度。为了验证所提出的负荷预测方法的有效性,本文使用了火电网负荷数据进行测试。实验结果表明,在短期电网负荷预测方面,本文提出的进化神经网络比传统方法预测结果更加准确可靠。     

遗传算法优化小波神经网络的网络流量预测

为了提高网络流量的预测精度,克服小波神经网络收敛速度慢、易陷入局部最优的缺点,提出一种遗传算法优化小波神经网络的网络流量预测模型.首先计算延迟时间和嵌入维数,构建小波神经网络的学习样本,然后采用小波神经网络对网络流训练集进行学习,并采用改进遗传算法对小波神经网络参数进行全局寻优,提高收敛速度和网络学习精度,最后采用网络流量数据对模型性能进行仿真分析.结果表明,相对于对比模型,本文模型的平均误差大幅度降低,训练次数急剧减,减小了二次优化训练的次数,具有更大的实际应用价值.     

基于IPSO的模糊神经网络优化及交通流量预测

在基于模糊神经网络的交通流量预测中,神经网络的各节点参数优化是最关键的。采用粒子群算法优化模糊神经网络的参数。针对粒子群算法易于陷入局部最优的缺点,提出一种改进的粒子群优化算法,并将改进的算法用于路口交通流量预测。仿真结果表明,该算法的收敛速度和预测精度优于传统粒子群算法、BP算法,提高了交通流量预测的精度和速度。     

基于自适应遗传算法的股票预测模型研究

为了解决单一神经网络模型很难满足股票预测建模要求的问题,提出一种基于遗传算法的粗糙集属性约简方法和神经网络相结合的预测模型。在该模型中,改进了自适应性遗传算法的交叉算子与变异算子。基于该遗传算法的粗糙集属性约简相比传统的粗糙集属性约简,其具有更强的求解最小属性约简的能力,解决了神经网络预测时训练速度慢、内存开销大等问题;在数据预处理过程中,引入聚类分析,有效解决了连续属性离散化的问题。实验结果证明,该预测模型具有较高的预测精度,在时间序列的股票预测中是相当有效的。     

RS-IPSO-BPNN模型在建筑工程估价中的应用

针对一般建筑工程估价问题的复杂性,融合粗糙集理论、粒子群算法和神经网络算法的优势,提出了一种新的建筑工程估价模型--基于粗糙集理论、改进粒子群算法和神经网络算法集成的建筑工程估价模型。利用粗糙集理论对影响建筑工程造价的因素进行约简,优化BP神经网络的输入变量;利用一种带收缩因子的改进粒子群算法优化BP神经网络初始权重和阈值。该方法有效地增强了BP算法对非线性问题的处理能力,同时提高了BP算法的收敛速度和搜索全局最优值的能力。选取湖南某市工程案例进行实证分析。研究结果表明,新的算法模型能够以工程特征为依托,科学客观地评估建筑工程造价,具有较高的实际应用价值。     

基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#

BP神经网络是在深度学习的研究中使用较为频繁的神经网络。本文提出一种改进遗传算法优化BP神经网络的算法（IGABP）,利用遗传算法的全局搜索能力优化BP神经网络的初始结构。由于遗传算法易陷入局部最优解,影响自身的寻优能力,故对遗传算法进行改进,最后构建糖尿病并发症预测模型进而预测糖尿病并发症的发生。本文改进遗传算法的选择算子并改进自适应遗传算法的交叉及变异概率公式。通过构建预测模型,将改进后的IGABP与BP、GABP、AGABP进行比较。仿真实验结果表明,使用IGABP进行预测的准确率要明显优于BP、GABP与AGABP,并且加快了网络的收敛速度。     

基于粗糙集遗传神经网络的柴油机故障诊断

提出一种基于粗糙集和遗传算法的BP神经网络故障诊断方法,解决基本BP网络收敛速度慢、精度低、易陷入局部极小值问题.运用粗糙集理论对训练样本进行属性约简,简化BP网络输入维数.设计2次遗传算法训练BP网络,第一次优化神经网络隐含层节点个数,第二次在神经网络结构确定的情况下,优化网络连接权值.以柴油机进、排气阀故障为例,应用提出的方法进行仿真,仿真结果证明了该方法能够优化神经网络结构,提高故障诊断速度和准确率.     

基于灰色粗糙集与BP神经网络的设备故障预测

为更有效预测设备故障,提出一种基于灰色粗糙集与BP神经网络的设备故障预测模型。用灰色关联分析和粗糙集理论分别对二维故障决策表进行横向和纵向两个维度的约简,将冗余的数据和属性去掉,并将约简后的数据输入到BP神经网络,预测设备故障。最后以地铁信号设备故障预测为例进行实例验证,结果表明,该模型预测误差更小,预测准确率更高。     

遗传算法优化BP神经网络的网络流量预测

为了提高网络流量预测精度,提出一种基于遗传算法优化BP神经网络的网络流量预测模型(GA-BPNN)。首先采集网络流量数据,并进行相应预处理,然后将网络流量训练样本输入到BP神经网络进行学习,并采用遗传算法对BP神经网络参数进行优化,最后采用建立的网络流量预测模型对网络流量测试集进行预测,并通过仿真实验对模型性能进行测试。结果表明,GA-BPNN提高了网络流量的预测精度,获得比较理想的网络流量预测结果。     

A data-driven based decomposition–integration method for remanufacturing cost prediction of end-of-life products

Remanufacturing cost prediction is conducive to visually judging the remanufacturability of end-of-life (EOL) products from economic perspective. However, due to the randomness, non-linearity of remanufacturing cost and the lack of sufficient data samples. The general method for predicting the remanufacturing cost of EOL products is very low precision. To this end, a data-driven based decomposition–integration method is proposed to predict remanufacturing cost of EOL products. The approach is based on historical remanufacturing cost data to build a model for prediction. First of all, the remanufacturing cost of individual EOL product is arranged as a time series in reprocessing order. The Improved Local Mean Decomposition (ILMD) is employed to decompose remanufacturing cost time series data into several components with smooth, periodic fluctuation and use this as input. BP neural network based on Particle Swarm Optimization (PSO-BP) algorithm is utilized to predict the cost of each component. Finally, the predicted components are added to obtain the final prediction result. To illustrate and verify the feasibility of the proposed method, the remanufacturing cost of DH220 excavator is applied as the sample data, and empirical results show that the proposed model is statistically superior to other benchmark models owing to its high prediction accuracy and less computation time. And proposed method can be utilized as an effective tool to analyze and predict remanufacturing cost of EOL products.     

财务困境预警的二阶段模型构建与应用

模糊神经网络汇集神经网络和模糊逻辑的优点,能有效避免神经网络的“黑箱”操作,但存在“维数爆炸”现象。将粗糙集和模糊神经网络有机集成,构建财务困境预警的二阶段模型：第一阶段利用粗糙集知识约简对数据集降维消冗,提取最优指标集;第二阶段以最优指标集设计基于模糊神经网络的财务困境预警模型。该模型融合粗糙集和模糊神经网络的特点,能提高网络结构的精练性、启发性和透明性。应用实例的结果表明该模型能有效克服“维数灾难”,避免数据噪声引起的模型过度适应,提高模型预测准确性。     

一种用于机场气象预测的模糊神经网络模型

针对民用机场多因素气象预测问题的复杂性,该文构建出一种基于粗糙集的模糊神经网络模型。采用粗糙集理论约简属性,挖掘潜在规则,在此基础上建立模糊神经网络模型,并根据规则的统计性质和离散化结果初始化网络参数,采用BP算法训练网络。实例验证,该模型在收敛速度与预测精度上优于传统的神经网络模型。     

基于粗糙集和遗传算法的神经网络模型研究

提出一种基于粗糙集理论和遗传算法的神经网络模型和它的构造方法.该模型先利用粗糙集理论进行属性约简;利用遗传算法优化BP网络参数;用约简结果和优化的BP网络参数进行网络训练.仿真实验结果表明,该模型能简化网络训练样本,优化神经网络结构,提高系统的学习效率和精度.此方法是有效可行的,具有理论意义和实用价值.     

遗传算法优化BP神经网络的混沌时间序列预测

为提高BP神经网络预测模型对混沌时间序列的预测精度,将改进的遗传算法和BP神经网络结合,提出了一种基于改进遗传算法优化BP神经网络的混沌时间序列预测方法。利用改进的遗传算法优化BP神经网络的权值和阈值,训练BP神经网络预测模型求得最优解。将该模型应用到几个典型的非线性系统进行预测仿真,验证了该算法的有效性,与BP神经网络预测模型的预测结果进行了比较,仿真结果表明该方法对混沌时间序列具有更好的非线性拟合能力和更高的预测精度。     

Fuzzy neural networks-based quality prediction system for sinteringprocess

A hybrid fuzzy neural networks and genetic algorithm (GA) system is proposed to solve the difficult and challenging problem of constructing a system model from the given input and output data to predict the quality of chemical components of the finished sintering mineral. A bidirectional fuzzy neural network (BFNN) is proposed to represent the fuzzy model and realize the fuzzy inference. The learning process of BFNN is divided into off-line and online learning. In off-line learning, the GA is used to train the BFNN and construct a system model based on the training data. During online operation, the algorithm inherited from the principle of backpropagation is used to adjust the network parameters and improve the system precision in each sampling period. The process of constructing a system model is introduced in details. The results obtained from the actual prediction demonstrate that the performance and capability of the proposed system are superior     

基于遗传禁忌算法优化的模糊神经网络垂直切换算法*

综合考虑了遗传算法和禁忌算法的优点,将遗传禁忌算法、模糊理论和神经网络相结合,提出了一种基于遗传禁忌算法(GATS)优化的模糊神经网络垂直切换算法GATS-FNN,并在垂直切换的过程中加入了预判决模块,通过节点的筛选降低了系统成本和算法复杂程度。将网络信号强度、网络带宽、网络负载和用户终端移动速度进行了模糊处理,并采用遗传禁忌算法进行优化,调整隶属度函数的参数,仿真结果表明,该算法可以降低页面平均响应时间,为用户提供更好的服务。     

基于粗糙集和动态模糊神经网络的股市预测研究

论文研究基于神经网络的股票预测方法,针对目前存在的问题,通过模糊理论与动态神经网络的结合提出一种更为适合现状的动态模糊神经网络DFNN(Dynamic Fuzzy Neural Network)股票预测模型。首先对采集的股票信息进行属性提取,然后利用粗糙集理论中的信息熵算法进行属性约简、删减冗余信息,最后用约简后的数据作为动态模糊神经网络的输入属性进行训练预测,并在算法模型中运用分级学习的思想,能在一定程度上实现预测某一只股票短期内大致走势的功能。实际操作中更能为股票的多重选择进行推荐,降低投资的风险,有着较高的实用性。