时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

一种基于神经网络的非线性时间序列模型

非线性时间序列分析是目前迅速发展的一个课题，这是因为在现实世界中许多现象都不能很好地用线性模型解决。文章首先分析了时间序列模型的建立机制，然后利用神经网络进行非线性信号处理，从而构造了一种新的神经网络非线性时间序列模型。该文将此方法与ＡＲ模型和ＳＥＴＡＲ模型进行了数值结果对比，结果表明该文提出的方法优于这两种方法。     

TIME SERIES NEURAL NETWORK FORECASTING METHODS

This paper has discussed the possibility and key problem to construct the neural network time series model, and three time series neural network forecasting methods has been proposed, i. e. a neural network nonlinear time series model, a neural network multi-dimension time series model and a neural network combining predictive model. These three methods are applied to real problems. The results show that these methods are better than the traditional one. Furthermore, the neural network methods are compared with the traditional method, and the constructed model of intellectual information forecasting system is given.     

一种新的最优组合预测方法及其应用

基于优化理论讨论了现有的组合预测方法，并且将其发展成为一种通用方法。证明了最优组合参数的存在性，不仅给出了一种用非线性规划求解最优组合参数的算法，而且证明了用最优组合方法所得到的预测值的拟合度在平方误差的测度下要比单一的预测方法要高。用此方法对实验的经济问题进行了预测分析，效果良好。     

一类求解无约束min-max问题的新算法

本文构造了对于极大值函数maxf_i(x)的一种新的光滑逼近—Vα-逼近。在此基础上,给出了一系列求解无约束min—max问题的新算法,并证明了算法的收敛性.数值结果表明算法是可行的,且对于奇异问题要比K.Madsen算法效果好.     

径向基函数网络的ABS投影学习算法

Ｂｒｏｏｍｈｅａｄ（１９８８），Ｃｈｅｎ（１９９１）等人提出的ＲＢＦ网络的学习算法都是基于传统的ＬＭＳ算法，因此具有一定的局限性。本文提出了一种新的ＲＢＦ网络的学习算法－ＡＢＳ投影学习算法，它是一种直接的学习算法。计算机模拟的结果表明，它具有学习效率高，识别率高和适用范围广的优点。     

牛顿类法解大型问题的一种算法

本文针对无约束优化问题,提出了一种基于Newton法和Lanczos法的新算法,使其求解大型无约束优化问题具有局部二次收敛性。尤其当Hession矩降为大型稀疏阵时,效果更为明显。初步数值结果表明算法是可行的。     

解无约束极大极小问题的非对称神经网络算法

本文构造了一种新的非对称神经网络模型，用于求解极大极小无约束优化问题，并证明了非对称线性神经网络和非线性神经网络是整体Ｌｙａｐｕｎｏｖ稳定的，且收敛于对应的Ｌａｇｒａｎｇｅ方程的稳定点，计算机模拟的结果表明此方法是可行的，且具有良好的整体收敛性。