带后续迭代的双极S函数激励的WASD神经网络

结合Levenberg-Marquardt算法以及权值直接确定法这两种用于神经网络学习训练的方法,提出了一种带后续迭代、面向双极S(sigmoid)激励函数神经网络的权值与结构确定(weights-and-structure-determination,WASD)方法。该方法与MATLAB软件神经网络工具箱相结合,可以解决传统神经网络普遍存在的学习时间长、网络结构难以确定、学习能力和泛化能力有待提高等不足,同时具有较好的可行性和可操作性。以非线性函数的数据拟合为例,计算机数值实验和对比结果证实了WASD方法确定出最优隐神经元数和最优权值的优越性,最终得到的WASD神经网络具有更为优异的学习性能和泛化性能。

基于正弦激励的WASD神经网络的上证指数预测

由于金融时序数据的高度非线性特征,准确预测股票市场的证券指数非常困难.本文提出了一种单隐层前向正弦激励的神经网络并将其用于上证指数的预测.这种神经网络采用权值和结构直接确定(WASD)的方法进行训练,能够直接获得最优的权值和结构,也被称之为正弦激励的WASD神经网络.基于历史数据,将WASD神经网络和BP神经网络、SVM进行了对比实验.实验结果表明,正弦激励的WASD神经网络在预测上证指数时具有更好的性能.