结合L1和L2正则化约束的隐语义预测模型研究

在大数据领域中预测高维稀疏矩阵中的缺失数据，通常采用随机梯度下降算法构造隐语义模型来对缺失数据进行预测。在随机梯度下降算法来求解模型的过程中经常加入正则化项来提高模型的性能，由于[L1]正则化项不可导，目前在隐语义模型中主要通过加入[L2]正则化项来构建隐语义模型（SGD_LF）。但因为[L1]正则化项能提高模型的稀疏性增强模型求解能力，因此提出一种基于[L1]和[L2]正则化约束的隐语义（SPGD_LF）模型。在通过构建目标函数时，同时引入[L1]和[L2]正则化项。由于目标函数满足利普希茨条件，并通过二阶的泰勒展开对目标函数进行逼近，构造出随机梯度下降的求解器，在随机梯度下降求解隐语义模型的过程中通过软阈值来处理[L1]正则化项所对应的边界优化问题。通过此优化方案，可以更好地表达目标矩阵中的已知数据在隐语义空间中的特征和对应的所属社区关系，提高了模型的泛化能力。通过在大型工业数据集上的实验表明，SPGD_LF模型的预测精度、稀疏性和收敛速度等性能都有显著提高。     

基于GEP的高速公路通行费预测方法研究

高速公路通行费未来收入状况的预测对于高速公路运营管理、建设规划有着重要的指导意义。然而,通行费收入水平的变化受到多方面因素的影响,具有较强的非线性和复杂性,传统预测模型无法准确表达通行费收入的发展规律。本文针对复杂的高速公路通行费预测问题,建立了基于基因表达式编程算法(GEP)的高速公路通行费预测模型。该模型利用GEP算法建立通行费当前收入与历史数据之间复杂的函数关系,准确地刻画通行费收入随时间的发展规律。此外,针对节假日期间通行费减免政策的影响,提出了有效的修正模型。最后,本文采集了浙江沪杭甬高速公路股份有限公司等12家公司通行费收入的历史数据进行仿真实验,对比传统的ARIMA以及神经网络预测模型,结果充分验证了本文算法的有效性和准确性。     

基于基因表达式编程的信用评估模型挖掘方法

提出了一种基于基因表达式编程(GEP)的信用评估模型挖掘方法GEP-CREDIT。该方法基于客户信贷数据,利用GEP算法自动进行属性筛选,并进行属性融合,在此基础上训练和建立信用评估模型。在德国信用数据库真实数据集上做的实验和性能分析表明,基于GEP的信用评估模型挖掘方法较Nave Bayes算法的预测精度提高了3%;较SVM算法的预测精度提高了1.6%;较KNN(K=17)算法的预测精度提高了6.83%。     

基于改进的基因表达式编程的复杂函数建模

介绍了基因表达式程序设计方法的基本原理,针对求解复杂函数模型反问题中经典GEP算法多样性表现不足,甚至出现早熟的问题,提出了一种基于动态变异算子的改进的GEP算法——IGEP算法,从理论上对该改进算法进行了复杂度分析和收敛性分析。通过求解复杂函数模型反问题的多个实验将改进算法与传统方法、神经网络方法、经典GEP算法进行了对比,结果表明：该方法建立的复杂函数反问题拟合模型比经典GEP方法、传统方法、神经网络方法得到的模型更加优秀。     

基于GD-GEP算法的航空发动机振动监控

针对传统基因表达式编程算法(GEP)在进行函数挖掘时易陷入局部最优以及收敛精度不高等问题,提出了一种基于基因多样性的GEP算法,该算法采用基于基因多样性的初始种群生成策略,引入了种群更新策略,使得种群基因多样性增加;仿真试验表明,该算法具有更好的全局搜索能力和更高的解精度;基于某型飞机飞行数据记录器记录的飞行数据,利用GD-GEP算法进行航空发动机模型辨识,将辨识得到的模型用于发动机振动值监控,真实的振动故障数据验证了该方法能够成功监测到振动故障。     

一种多源数据驱动的自动交易系统决策模型

股票自动交易系统属于典型的复杂系统,其成功的关键是如何对股价进行有效的预测与决策.股价受多种信息的影响,但传统的自动交易模型多建立在历史交易数据的基础上.针对上述问题,本文综合利用新闻文本数据与股价技术指标数据,基于人工神经网络（Artificial neural netuorks,ANN）方法设计了一种多源数据驱动的股票自动交易决策模型.本文首先分析了各类财经新闻的特点及其对股价的影响,然后设计了相应模板抽取了中文文本中的财经新闻事件;在此基础上,设计了历史股价和新闻事件数据共同驱动的ANN-News模型,并利用实际数据验证了模型的有效性.实验发现,ANN-News模型比传统的机器学习类模型股价预测准确率提升约4%,收益率提升约7%.     

非局部的变分正则化图像放大算法

针对Chambolle图像放大模型存在分块效应,提出一种非局部的变分正则化图像放大算法。该算法的思想是构造一个适用于图像放大的变分泛函,该泛函由正则项和数据保真项构成,其中图像的正则项是用非局部全变差范数进行估计,进而用迭代投影方法求泛函的最小解,即为放大后的图像。与传统的图像插值方法不同,该算法是用变分的思想进行图像放大,非局部全变差的引入更使得该算法不只是利用图像的单个像素点,或某一邻域内的灰度和梯度信息进行放大,而是更大范围地利用了图像本身的信息,这将更有效地保留图像特征,避免了Chambolle方法在图像放大时出现的分块效应。实验结果表明,该算法能更好地保留边缘和细节信息,放大图像的清晰度比Chambolle图像放大方法和样条插值的效果要好。     

基于MODWT在金融数据预测的应用

为了准确的把握股价的趋势走向,提出了一种基于极大重叠离散小波变换(MODWT)时间序列分析的股价预测方法(M-ARMA).该方法是对股价时间序列利用mallat算法对其进行极大重叠离散小波变换,使得整个序列分解成不同频率的序列,同时利用小波分析在时域和频域上都具有良好的局部化性质,多尺度分析功能,结合ARMA模型的预测方法,以较为准确地根据历史数据预测其将来短期的走势.实验表明,MODWT时间序列分析方法比传统的时间序列分析方法预测的精度更高.     

改进的两步迭代阈值的遥感图像恢复算法

结合小波变换和Contourlet变换的多尺度、多分辨的共性及这两种变换分别适合处理点奇异和线奇异的特点,提出了一种新的联合使用小波正则项和Contourlet正则项的遥感图像恢复算法。算法中逆问题的求解等价于一个无约束凸规划的求解问题,目标函数由观测图像的拟合优度和正则项组成,传统的正则项是一个函数,本文使用两个正则项函数,能更好地利用图像的先验知识。然后根据Besov空间的半范数等价于小波系数的范数这一原理,提出了基于小波变换的联合使用小波正则项和Contourlet正则项的两步迭代阈值算法。对遥感图像的恢复结果表明,该算法在改善的信噪比（ISNR）和相关系数（CORR）等评价指标上都有显著的改善。     

基于主曲线的多输入多输出支持向量机算法

针对传统多输入多输出(MIMO)支持向量机(SVM)没有考虑多个输出端之间依赖关系的问题,提出了一种新的基于主曲线的MIMO SVM算法。该算法基于所有输出端的模型参数位于一个流形上的假设,首先在现有的多维支持向量回归机(M-SVR)的基础上,构建一个流形正则化的优化目标,其中正则项为输出端模型参数到通过所有参数集合中间的主曲线的投影距离;其次,由于该优化目标为非凸,采用交替优化的方法,交替计算模型参数和参数集合的主曲线,直至收敛。采用仿真数据和实际的载荷识别工程数据进行验证,结果表明,与M-SVR和SVM单独建模方法相比,该算法可有效提高预测精度和数值稳定性。     

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。     

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。     

MTICA-AEO-SVR股票价格预测模型

为了改善传统Fast ICA算法的稳定性和分离效率,基于Tukey M估计构造了一种新的非线性函数,提出了MTICA算法;并在此基础上结合SVR算法,建立了一种新的MTICA-AEO-SVR股票价格预测模型。用MTICA算法将原始股票数据分解为独立分量进行排序去噪,选择不同的SVR模型分别对各独立分量和股票价格进行预测。在SVR算法中引入了人工生态系统优化算法（AEO）选参,提高了模型的预测精度。通过对上证B股指数的实证分析,结果表明,MTICA-AEO-SVR模型比ICA-AEO-SVR模型和ICA-SVR模型更准确和高效。     

灰色神经网络在股票价格预测中的应用

研究股票价格预测问题,股票价格具非线性和不确定性变化规律。传统单一模型只能反映股票价格部分信息,预测精度不高。为了提高股票价格预测精度,在分析股票价格变化特征基础上,提出一种灰色神经网络的股票价格预测方法。首先采用GM(1,1)模型对股票价格进行预测,捕捉其线性、灰色变化规律,然后采用BP神经网络对GM(1,1)预测残差进行建模预测,捕捉其非线性和不确定性变化规律,最后两者结果相加得到股票价格最终预测结果。将灰色神经网络用于浦发银行(60000)股票收盘价为例预测,结果表明,相于传统预测模型,灰色神经网络提高了股票价格预测精度,更能全面挖掘股票价格变化规律,在股票价格预测中具有广泛的应用前景。     

基于DMD-LSTM模型的股票价格时间序列预测研究

针对股票市场关系复杂导致的有效特征提取困难、价格预测精度低等问题,提出一种基于动态模态分解—长短期记忆神经网络（DMD-LSTM）的股票价格时间序列预测方法。首先通过DMD算法对受市场板块联动效应影响的关联行业板块样本股数据进行分解计算,提取包含整体市场和特定股票走势变化信息的模态特征;然后针对不同市场背景,采用LSTM网络对基本面数据和模态特征进行价格建模预测。在鞍钢股份（SH000898）上的实验结果表明,该方法相较于传统预测方法,在特定的市场背景下能实现更高的价格预测精度,更为准确地描述股票价格的变化规律。     

基于改进回声状态神经网络的个股股价预测

当今社会股价预测是研究的热门问题,人们越来越关注对股价预测模型的建立,提高股价预测的精度对股票投资者有实际的应用价值.目前股价的预测方法层出不穷,其中较为典型的有传统的技术分析和ARMA模型等.为了提升预测的精度,同时考虑到股市的非线性,本文提出一种改进的回声状态神经网络的个股股价预测模型,针对回声状态神经网络(ESN)泛化能力不强的特点,应用改进的粒子群算法(GTPSO)对回声状态神经网络(ESN)的输出连接权进行搜索,最终得到最优解,即ESN的最优输出连接权, GTPSO算法概括来说就是在传统粒子群算法(PSO)的基础上引入禁忌搜索算法(TS)中禁忌的思想和遗传算法(GA)中变异的思想,从而降低PSO在学习过程中陷入局部最小值的状况,同时提高PSO搜寻全局的能力.将预测模型用于个股每日收盘价预测中,使用每10天的收盘价预测第11天的收盘价.通过实验验证了模型的正确性,实验证实,该模型拥有较好的预测效果.     

基于时间序列的支持向量机在股票预测中的应用

由于股票预测是不确定、非线性、非平稳的时间序列问题,传统的方法往往难以取得满意的预测效果。本文提出一种基于时间序列的支持向量机（SVM）股票预测方法。利用沙河股份的股票数据,建立股票收盘价回归预测模型,该模型克服了传统时间序列预测模型仅局限于线性系统的情况。实验结果表明,该方法比神经网络方法以及时间序列方法的预测精度更高,可以很好的应用某些非线性时间序列的预测中。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

基于HP-LSTM模型的股指价格预测方法

股指价格时间序列受到长期和短期不同因素的影响,且具有非平稳、非线性等特点,传统计量模型的预测精度较低。为提高预测精度,一些研究将人工神经网络模型用于金融时间序列预测,取得了比传统计量模型更好的效果。提出了一种融合了HP滤波（Hodrick-Prescott Filter）和LSTM神经网络模型的股指价格预测模型,模型使用HP滤波将股指价格时间序列分解为长期趋势和短期波动,利用LSTM神经网络模型分别学习长期趋势和短期波动序列的特征,并分别进行长期趋势和短期波动预测,将预测结果融合得出股指价格预测结果。实验结果表明,提出的HP-LSTM混合模型不仅可以有效捕捉到股指价格时间序列的长期趋势和短期波动的变化规律,提高了股指价格预测精度,并且长期趋势和短期波动都具有相应的经济含义,提高了模型的可解释性。     

基于MPCA-RBF模型的证券市场指数时间序列预测*

针对证券市场指数内部结构的复杂性和影响因素的高维性,提出基于MPCA-RBF（多线性主成分分析法-径向基神经网络）模型的证券市场指数时间序列预测方法。由于证券市场间存在关联性,选取了7个证券市场及34个技术指标构建三维张量模型,采用张量方法—MPCA进行特征提取,使降维的同时充分保留数据内部结构,之后利用RBF神经网络进行回归预测,提高了预测精度。对恒生指数和日经225指数的实验结果显示,与非张量模型相比,该模型预测误差较小,预测精度有较显著的提高,表明该模型能充分地保留证券时间序列内部结构,证明了其在证券预测领域的有效性和实用性。