BP算法和对称ARCH类模型对股市波动性预测的实证比较

利用我国深圳股票市场的实际数据,建立了相应的BP算法网络预测模型和ARCH(1),GARCH(1,1)预测模型,分别用来对深成指数每个周末收盘价的波动性进行预测．研究表明,BP算法对样本外观测值的上凸曲线拟合得较好,对下凸曲线的拟合效果较差;ARCH(1)和GARCH(1,1)则反之,其预测曲线对样本外观测值的下凸曲线拟合效果都较好,但对上凸曲线的拟合效果都较差．通过采用6种常用的预测误差统计量:平均误差、平均绝对误差、均方根误差、平均绝对比率误差、Akaike信息准则、Baves信息准则对样本外数据的预测结果进行检验,BP算法的预测效果最好,ARCH(1)模型次之,GARcH(1,1)模型偏差．

基于GM(1,1)模型和BP神经网络的四川省用电量预测

随着中国经济的快速增长,人民对能源的需求也在逐步增长。电能作为居民基本的生活能源,其是否能够充足稳定的供应决定了社会经济的运行。当在面对突发事件无法及时满足供电需求时,对于用电量的预测就成为了一种未雨绸缪的重要方法。本文基于GM(1,1)模型和BP神经网络建立了一种新的GM-ABP模型。我们将GM-ABP模型用于预测中国四川省年用电总量。本文提出的模型在GM(1,1)模型的基础上加以修正,利用Adam算法优化的BP神经网络对残差进行拟合。预测结果显示GM-ABP模型的预测精度均优于GM(1,1)模型和Adam-BP神经网络模型,且预测精度有较大提升。最后通过GM-ABP模型给出了四川省2021~2023年用电总量的预测值。

基于遗传算法优化的BP神经网络的组合预测模型方法研究

【目的】提出以传统猪瘟发病率为对象的组合预测模型。【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理,将初步处理结果作为优化后的BP神经网络输入构建组合模型。【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析,结果表明预测数据精度达到97.379%,较ARIMA模型,灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%,模型平稳性增强,预测结果良好。【结论】本研究为动物疫情测报提供了有效的分析手段,验证了组合模型在动物疫情研究中的可行性,并可为其它动物疫病提供借鉴和参考。

改进Zerilli-Armstrong、Arrhenius和GWO-BPNN模型对HAl61-4-3-1合金高温流变应力的预测

精确的本构模型是铝黄铜合金热精锻工艺方案设计及数值模拟仿真的关键。基于挤压态HAl61-4-3-1合金在变形温度为873~1073 K、应变速率为0.01~10 s^(-1)区间的等温热压缩实验数据,分析热压缩过程中摩擦和温升效应对流变应力的影响并对流变应力曲线进行修正。基于修正数据,构建了HAl61-4-3-1合金的改进Zerilli-Armstrong、Arrhenius本构模型及GWO-BPNN本构模型。结果表明:GWO-BPNN模型的均方根误差RMSE和平均绝对百分比误差MAPE分别为0.444 MPa和1.078%,而改进Zerilli-Armstrong模型的分别为2.567 MPa和5.470%,改进Arrhenius模型的分别为1.202 MPa和3.163%,表明GWO-BPNN模型的预测精度更高。并且,通过引入GWO算法对BPNN的初始权值和阈值进行寻优,使得该模型具有较高的预测精度和较优的稳定性,能更好地描述HAl61-4-3-1合金的高温流变行为。

人工神经网络-荧光光谱法同时测定维生素B_1,B_2,B_6

应用人工神经网络原理 ,以Levenberg MarquardtBP算法对荧光光谱严重重叠的维生素B1 ,B2 ,B6三组份混合体系同时进行了含量测定。在 390～ 5 2 0nm的范围内 ,以 15个特征波长处的荧光强度值作为网络特征参数 ,并通过均匀设计安排样本 ,经网络训练和计算得出维生素B1 ,B2 ,B6 三者的平均回收率分别为 99 86 % ,99 6 0 % ,99 4 9% ,测定结果的相对标准偏差各为 1 7% ,1 6 % ,1 7%。

灰色BP神经网络模型的优化及负荷预测

为了提高样本数据较少情况下中长期负荷预测的预测精度,分析了传统GM(1,1)预测模型的缺点,提出了一种适用于中长期负荷预测的GM(1,1)优化建模方法。用一个与GM(1,1)模型的时间响应式具有相同形式的连续函数,拟合灰色系统的原始离散数据,将连续函数映射到神经网络,构建了GM(1,1)模型的灰参数与BP网络权值的对应关系。用已知负荷作为训练样本,利用BP算法对网络进行优化,当网络收敛时,提取优化的灰参数,实现了应用GM(1,1)模型对中长期负荷预测的优化建模。算例分析结果表明该方法是可行且有效的。

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。

预约式停车系统架构及车位推荐算法研究

针对私家车数量暴增,停车困难越来越突出的现象,提出了一种基于预约模式的停车位查询及预约系统APP设计。该APP后台使用MySQL数据库,实时更新停车位的数据信息。通过内部的车位推荐模型,提供最适合用户的车位,并使用WebGIS和Zigbee无线传感器,依靠三圆定位模型来精确定位用户车辆,将用户导航至相应停车位。通过智能地锁,保证预约停车位不被占用,最终实现停车位查询、预约等流程的网络化、数据化、智能化。示例表明:通过车位推荐算法,一定程度上提高了车位利用率,缓解停车难的问题。

基于遗传算法的不锈钢激光表面熔凝处理工艺参数优化

对1Cr18Ni9Ti不锈钢点蚀抗力和耐腐蚀敏感性进行测试,研究激光表面熔凝参数对1Cr18Ni9Ti不锈钢腐蚀性能的影响,采用遗传算法并结合BP网络对处理工艺进行优化。结果表明,遗传算法做为一种简单有效的工具,可以较好的对激光处理工艺进行优化。

基于小波Mallat算法的外汇汇率预测模型

用小波Mallat算法对RMB/USD汇率一阶差分数据进行了分解和单支重构;对单支重构后的近似分量和细节分量分别建立了GARCH(1,1)模型和ARCH(1)模型;综合各层预测值得到原时间序列的预测值.实证研究表明该方法的预测效果要优于传统的模型.

基于遗传算法与神经网络微电阻点焊工艺参数优化

文摘微电阻点焊工艺参数的设置对焊点力学性能有着至关重要的作用,通过正交试验极差分析研究了工艺参数对0.05 mm厚TC1箔材焊点剪切力和剥离力的影响程度。通过赋予剪切力和剥离力相应的权值将双优化目标转化为单一的混合优化目标,结合神经网络与遗传算法,对工艺参数进行了优化,建立了基于BP神经网络的焊点力学性能预测模型。结果表明预测模型的误差小于4%,预测模型具有较高的精度和预测能力,可以准确地预测焊点的力学性能。同时通过gatool工具箱对各项工艺参数进行了优化,获得焊接参数的最优组合:焊接电流800 A、电极压力8.89 N、爬坡时间1.608 ms、焊接时间8 ms,混合优化目标为55.73 N。通过与正交试验优化结果对比,遗传算法寻优可以获得更好的综合力学性能。

基于BP神经网络对NMR的预测模型

天然产物尤其是海洋天然产物是目前国内外药物学家研究的重点。一维核磁数据(1HNMR和13CNMR)在天然产物结构确定中具有重要地位。本文首次将反向传播(BP)神经网络理论应用于13CNMR对1HNMR化学位移值的预测。通过对初始数据进行预处理,使其适应BP神经网络学习的要求,然后建立基于BP神经网络的1HNMR的数据预测模型。采用实际数据对模型进行验证。计算结果表明人工神经网络的BP算法可以用于天然产物一维核磁数据的预测。

基于1stOpt神经网络模型的年均径流预测与应用

针对年均径流预测问题,首先利用1stOpt软件进行逐个影响因子拟合,得到相关影响因子的主次顺序,提取关键因子在基于L-M算法和UGO算法下对年均径流进行多元非线性曲线拟合;另外结合基于L-M算法的改进BP神经网络利用所提取的关键因子进行径流预测,以北方某河流径流实例进行计算,两种方法效果均优于传统模型,且在多影响因子的情况下,组合模型精度和效果更好,为径流预测提供了一个新的更实用的方法。

基于遗传算法优化LSSVM的初速预测

利用两台初速雷达测试弹丸炮口初速的试验中,当一台雷达的数据出现缺失时,通过建模预测出缺失的数据成为一项必要的工作。预测初速主要采用GM(1,1)模型,但是该模型并不完全适合预测初速,所以预测精度不理想。通过深入分析两台雷达之间的关联性,选择把两台雷达的数据进行融合,同时根据弹丸初速自身的特征,选择建立遗传算法优化LSSVM对缺失的数据进行预测。实验验证时,选择ARIMA模型、GM(1,1)模型、支持向量回归机、BP神经网络作为对比模型,两次验证的结果表明,遗传算法优化LSSVM的预测精度最高,误差远小于1‰,达到了初速雷达测试弹丸初速的误差标准,是预测弹丸初速的最佳模型。

基于灰关联的GOM^((p,q))(1,2)-BP神经网络模型及AQI预测

基于分数阶反向累加生成构建一种新的GM(1,2)模型,为使所构建模型能更好贴近和反映两个累加生成序列指标之间的真实关联关系,提出了基于不同序列采用不同累加阶数的GOM^((p,q))(1,2)模型.首先通过灰关联模型识别并筛选与特征序列关联度最大的相关因素序列,然后建立不同累加阶数的灰色模型,通过带压缩因子的粒子群优化算法求解模型最优阶数p和q,最后运用BP神经网络修正GOM^((p,q))(1,2)的模型值,构建GOM^((p,q))(1,2)-BP神经网络组合模型.模型应用于武汉市空气质量指数的预测,结果表明与单一模型相比,组合模型具有更好的性能和建模精度.

基于支持向量回归的股市波动性预测

详细介绍利用支持向量回归方法进行金融时间序列预测的建模原理。将其应用到深圳股票市场的数据,进行预测。最后运用6种误差统计量对预测结果与基于BP算法、基于ARCH(1,1)模型、基于GARCH(1,1)模型的4种预测结果进行比较,并得出结论:基于支持向量回归的预测方法最优。

污水处理溶解氧的模糊神经网络控制器研究

针对基于活性污泥法处理工艺的污水生化处理系统对溶解氧控制的要求,提出了一种改进性模糊神经网络控制算法,对污水生化处理系统的溶解氧质量浓度进行控制。在该改进性模糊神经网络控制方法中,为了克服单独应用BP算法或粒子群(PSO)算法训练模糊神经网络控制器参数时存在的缺陷,提出了一种将BP算法和粒子群(PSO)算法二者相结合的改进算法(PSO+BP算法),以充分利用PSO算法的全局寻优能力和BP算法的局部搜索能力,从而更有效地提高训练模糊神经网络控制器参数的效率,以及提高控制器的控制效果。最后基于活性污泥法处理工艺的仿真基准模型BSM1仿真平台,对污水生化处理系统的溶解氧控制进行仿真研究,与模糊控制的效果进行对比分析,验证了该模糊神经网络控制器的有效性和可行性。

基于灰色关联分析的神经网络模型

在BP神经网络算法的基础上,针对在多变量复杂系统建模过程中BP网络输入变量无法自动寻优的问题,将其与灰色关联分析方法结合,建立基于灰色关联分析的神经网络优化算法(GM-BPANN).并且使用中国粮食产量预测的数据,与逐步回归方法和灰色GM(1,N)模型方法进行了比较检验.结果表明,新模型通过灰色关联度的计算,可以全面、广泛地对大量的输入变量进行处理,而不必经过专门的主观筛选,从而增强了BP网络的适应能力,同时能够得到较好的预测精度和稳定性.