基于GD-FNN的金融股指预测模型

针对股票市场内部结构复杂性和外部因素多变性,构建一种基于椭圆基函数且能够动态调整网络结构的广义动态模糊神经网络模型对金融股指进行预测。以上证指数为例,在价格和成交量的基础上,将与股票市场密切相关的宏观经济指标引入模型预测指标体系。通过滑动时间窗对数据集进行处理,提高了模型预测准确性并降低了运算时间。与其他神经网络模型预测效果进行比较,结果表明提出的模型具有较好的预测效果。

分级在线自组织学习的GD-FNN算法研究

提出了基于椭圆基函数(EBF)的广义动态模糊神经网络(GD-FNN)算法。算法提取的模糊规则具有很好可理解性,可以作为建模工具,也可以作为知识提取的工具。广义动态模糊神经网络由于基于模糊ε-完备性,同时提出了一种新颖的在线参数分配机制,从而缓解了初始化的随机选择,且与输入变量不同值域没有关系,因而更容易构造一个较好性能的模糊系统。开发了仿真程序,对具体案例进行仿真,取得了较为理想的结果。

基于GD-FNN的股票市场泡沫模型

针对股票市场内部结构复杂性和外部因素多变性,构建一种基于预测的股票市场泡沫模型.以上证指数为研究对象,在价格和成交量的基础上,将与股票市场密切相关的宏观经济指标引入泡沫模型指标体系,并对指标体系中各变量之间长期均衡关系和因果关系进行数量分析.在此指标体系下,构建向量自回归模型(VAR)模型衡量股票市场基础价值,并据此分析宏观经济指标对市场的影响;同时构建基于椭圆基函数且能够动态调整网络结构的广义动态模糊神经网络模型(GD-FNN)对上证指数进行拟合预测作为股票市场的市场价值,并通过GD-FNN模型提取的模糊规则对股票非线性系统运行模式进行分析.最后,根据预测的股票市场市场价值与基础价值之间的偏差计算泡沫度,并提出相应的预警策略.

基于混合智能算法的非线性双边多属性谈判模型

在非线性效用函数基础上,运用混合人工智能技术,建立非线性双边多属性谈判模型,给出在一定精度范围内逼近Pareto最优解的近似求解方法。最后通过价格、质量两属性的非线性双边谈判模拟算例,验证了方法的正确性与有效性。为多属性谈判研究提供了新的思路。

基于广义动态模糊神经网络的光伏电池MPPT控制

依照最大功率点跟踪(MPPT)的原理,在综合考虑各种不同的控制方法优缺点的基础上,提出了一种新的基于椭圆基的广义动态模糊神经网络(GD-FNN)的光伏电池的智能控制方法。通过GD-FNN算法调节PWM的占空比来控制光伏电池的输出电压,实现阻抗匹配,达到能量的最优化。仿真结果表明,这种控制方法能够有效地跟踪到电池的最大功率,并且具有较好的稳定性。

基于广义动态模糊神经网络的算法研究

在D-FNN算法基础上,提出了一种新的基于椭圆基函数的广义动态模糊神经网络方法。该方法不仅可以用于系统建模、辨识和控制,而且还可以用于模糊规则的自动生成或抽取。提出了一种模糊-完备性作为在线参数分配机制,避免初始化选择的随机性,同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评估,从而使每条规则的输入变量的宽度可以根据它对系统性能贡献的大小实施在线自适应调整。开发了相关的算法程序,最后针对实际案例进行了仿真分析,表明了该算法的有效性和高效性。

基于PSO算法的模糊神经网络的网络异常检测

在网络异常检测中,为了提高对异常状态的检测率,降低对正常状态的误判率,提出一种基于粒子群优化算法训练模糊神经网络进行网络异常检测的新方法。在对模糊神经网络训练中采取PSO算法和梯度下降算法相结合的方法,充分发挥PSO全局寻优的能力和梯度下降局部细致搜索优势。实验数据采用KDDCUP99数据集,实验结果表明,该学习算法与传统的梯度下降法(GD)相比,收敛速度快,具有更好的全局收敛性,提高了异常检测的准确性,同时该方法对于新的异常也有较高检测率。

基于改进基函数的自适应动态模糊神经网络算法研究

在D-FNN算法基础上,提出了基于椭圆基函数(EBF)的广义动态模糊神经网络。该算法提出模糊ε-完备性作为高斯函数宽度的确定准则,避免初始化选择的随机性;同时,该算法不仅能对模糊规则而且能对输入变量的重要性作出评价,从而使得每个输入变量和模糊规则都可以根据误差减少率(ERR)来修正。其应用不仅可以用来建模,还可以用来抽取有意义的模糊规则以获取知识。通过与D-FNN以及其他方法的比较,可以看到GD-FNN在学习效率和性能方面具有突出的优势。最后针对实际案例进行了仿真分析,验证了该算法的有效性和高效性。

基于神经网络的燃气日负荷智能预测方法

为解决城市燃气日负荷具有随机性和不确定性问题,首先分别采用广义回归神经网络(GRNN)、灰色?GRNN和梯度?GRNN对燃气日负荷数据进行预测,通过MATLAB仿真表明,得到的预测误差大部分都在20%以内,说明这3种预测模型总体上是可行的,但预测精度并不是很高;然后针对城市燃气日负荷可能发生的预测模型故障现象,将GRNN、灰色?GRNN和梯度?GRNN的预测数据作为组合预测模型的数据基础,采用广义动态模糊神经网络(GD-FNN)进行智能组合预测,仿真结果表明:GD-FNN的平均预测精度为93.639%,平均每组预测用时为7.668 s,从预测精度上看,组合预测模型的预测精度要明显高于单一预测模型的预测精度,尤其是在预测过程中发生故障现象时更显其优势。