基于GMDH的商业银行电子银行业务发展影响因素研究

电子银行业务发展影响因素是国内外学者重点关注的问题之一,采用自组织数据挖掘方法,客观、自动地筛选商业银行电子银行发展的主要影响因素,寻求电子银行业务发展与其影响因素之间的非线性关系。研究结果表明,电子银行交易额增长率、产品规划、网络营销和电子商务发展是电子银行业务的主要影响因素。前一期的电子银行交易额增长率和产品规划对电子银行业务发展的影响较大。网络营销对电子银行业务影响的持续时间较长,其与产品规划的交互作用的影响较大。电子商务通过与前期电子银行业务增长率的交互作用对电子银行发展产生影响。

基于遗传算法的GMDH网络模型及其应用

传统的数据处理群方法(Group method of data handling,GMDH)在结构上具有自组织和全局选优的特性,非常适合进行非线性数据的拟合。但由于在传统GMDH网络建模是用最小二乘法来辨识参数,常常使得模型预测效果不理想。遗传算法是一种有效的搜索和优化方法,它具有自适应搜索、渐进式寻优、并行式搜索、通用性强等特点,论文将遗传算法引入GMDH网络,用遗传算法辨识部分描述式的系数,建立了基于遗传算法的GMDH网络模型。并将该模型应用于一组实测时间序列的预测研究,计算机仿真结果表明,模型预测效果令人满意。

基于免疫遗传算法的GMDH网络模型及其应用

针对传统GMDH网络建模用最小二乘法辨识参数时常常陷入局部极小导致模型预测效果不理想的问题,提出将免疫算法与遗传算法结合起来,引入到GMDH网络,来辨识其部分描述式系数.给出自适应免疫遗传算法,构建了基于该算法的GMDH网络模型,并将IGA-GMDH模型应用于苏州一交叉口的交通流量数据的仿真研究.结果表明,该算法既保证了全局寻优和所求解的精度,又进一步提高了全局与局部寻优能力;所构建的IGA-GMDH网络模型比传统的GMDH网络预测精度高.

GMDH神经网络算法在变形预测中的应用

针对GMDH神经网络存在的不足,分别从网络初始变量预选个数的确定、部分表达式构成、中间变量选择准则、终止法则等方面进行改进,并且用Matlab语言编程实现之。将改进之后的GMDH神经网络应用于非线性变形数据预测之中,并且将短期以及长期预测结果与BP神经网络以及GMDH神经网络得到的预测结果进行比较,得出结论:改进的GMDH神经网络有较好的实用性,并且预测精度有较大提高。

中长期预测模型的GMDH不同水平算法优势比较及实证分析

本文给出了二、三水平算法的一般模式，分析不同水平算法的优势，利用经济变量进行实证分析。研究结果表明，随着算法水平的提高，算法的抗干扰能力不断加强，预测效果越来越好，进一步证实了算法的有效性。

基于GMDH的VAR滞后选择方法及实证分析

在VAR的动态模型中 ,滞后数的选择是成功的关键。对于复杂系统建模 ,根据GMDH理论的有关数据 ,用计算机合理地调协变量与滞后变量之间的关系 ,确定模型的最优动态结构和最优滞后数 ,以提高预测的准确性。给出了VAR的传统方法与GMDH建模方法 ,应用经济变量进行实证分析 ,阐明了GMDH算法的优势在于比传统的方法更完善 ,预测效果更准确。

中长期负荷预测的GMDH多结构自动搜索模型

针对我国当前经济、政策变动的大背景,提出了采用数据分组处理方法GMDH(group method of data handling)结合多结构突变理论,实现时序突变点自动搜索建模,建立了中长期负荷预测的GMDH多结构自动搜索模型。该模型能够客观准确地搜索时间序列中的所有突变点,并充分利用突变点信息修正由于经济环境和突发事件引起的预测偏差,大大提高了传统时序外推预测模型的精度。华东地区的实际算例结果表明了该模型的有效性。

基于GMDH与dce-GMDH算法的上市公司财务危机预测研究

预测上市公司的上市状态有助于了解企业的经营状态、稳定市场预期。选取2019年第4季度沪深A股上市公司的138家ST公司和138家非ST公司样本组,并根据盈利能力、经营增长、资产质量和债务风险等4个维度的17个财务指标,运用GMDH算法和基于多种分类器集合的GMDH(dce-GMDH)算法对ST公司和非ST公司进行财务危机分类预测,结果表明:两种算法在ST公司和非ST公司两类公司中取得较高的分类预测效果。GMDH算法的预测准确率为83.64%,dce-GMDH算法的预测准确率为85.45%。与GMDH算法相比,使用dce-GMDH算法可将分类预测准确率提高约2%。

震级序列的GMDH建模

本文利用一种构造高阶自回归模型的自组织方法(GMDH方法)进行震级序列的建模,所得到的几个建模结果表明,GMDH方法为非线性地震时间序列的建模提供了一个有效的具有潜力的工具.

GMDH建模中变量选择的方法研究

GMDH建模中的变量选择 ,通常采用多层迭代 ,利用数据及计算机试验的方法确定最优模型和输入输出变量 ,具有一定客观性 ,但却会出现变量之间的共线性问题 ,模型对经济现象的解析能力受到影响 ,无法进行经济结构分析 .本文利用主观和相对客观相结合的方法选择变量 ,充分利用GMDH方法的优势 。

基于GMDH算法的配电网线损数据预处理研究

针对当前配电网线损计算的特点及数据存在缺失、异常等情况,基于数据分组处理算法(GMDH)建立了配电网线损缺失数据的预处理模型,实现对线损缺失数据的预处理。模型基于最邻近算法确定因变量和自变量缺失值的上下限,并进行随机插补,建立所有变量的数据分组处理模型,寻找最优复杂度模型,计算缺失值并进行迭代循环。算例结果表明,模型计算结果误差小、运算速度快,对缺失的线损数据能进行有效的动态更新,提升了数据质量,优化线损计算分析结果。

基于GMDH模型的滚动轴承故障预警研究

针对传统的故障预警预测方法存在误差较大的问题,提出一种基于数据分组处理(GMDH)模型的故障预测方法对滚动轴承的潜在故障进行预警。该方法利用模型选定准则选择最优的预警模型,发出故障预警信息,并设置停机阈值,可为设备的预知性维护研究提供支持。对滚动轴承加速疲劳寿命试验所得的数据进行分析,分析结果表明,利用GMDH模型对滚动轴承故障的预测结果与实际值的拟合程度高,相对误差仅为3.1%,比传统的基于BP神经网络模型的预测精度提高了0.51%。这说明基于GMDH模型的故障预测方法为油气设备的安全运行提供了更可靠的保障。

基于GMDH算法的电力供需量智能分析系统设计

针对电力企业电能供应量与用户需求量之间匹配度低的问题,提出基于改进GMDH算法的电力供应智能分析系统设计,按照GMDH算法原理设计了电力供应量智能分析系统的总体框架结构,并针对传统GMDH算法泛化能力低的不足进行了优化和改进;依据改进GMDH算法搭建了电力供需量智能分析系统硬件结构,该部分主要由电力供需数据采集模块、数据分析和处理模块、和数据库系统组成,能够完成对原始电力数据的归类与分析;给出了电力供应智能分析系统的软件实现流程及具体的操作实施步骤,模拟数值测试结果表明,提出的智能风险系统设计在分析精度上明显优于传统分析系统,全部测试样本的电能供需比值都能够被控制在1.1之内,可以为电力企业节省大量的电能损耗。

GMDH算法在核电阀门采购管理中的应用

通过对核电阀门设备采购合同的执行过程进行研究,找出影响合同执行工作量的关键因素。在此基础上,收集相关数据,利用自组织数据挖掘算法(GMDH)对数据样本进行学习,得出它们之间的定量关系,为后续合同执行及管理工作提供借鉴和帮助。

基于HFLANN自组织多项式网络学习算法

首先提出一种双曲函数型神经网络 HFL ANN,设计出一类基于 HFL ANN网络的层次双曲型函数网络HHFL ANN,给出了 HHFL AN N的网络学习算法 ,使其在用于非线性的拟合中体现了较强的优越性 ,对于任意的Volterra级数使用 HHFL ANN网络来逼近是完全可行的 ,该算法较 GMDH算法和 SOP算法 ,具有快速简单的特性 ,它优于 GMDH算法 ,有规律地选取部分多项式 ;优于 SOP算法 ,在构造 SOP网络不需要太多的中间隐层 ,从而加快了学习过程 ,提高了网络的逼近性能 。

中小企业股票市场化发行定价的半参数自组织模型与实证

随着深圳交易所中小企业板块的正式启动,我国中小企业新股发行的市场化定价方式必将启用。本文采用基于自组织数据挖掘GMDH算法的半参数模型的定价方法,将GMDH算法与半参数模型方法结合起来,不仅利用计算机的自动拟合优选最优复杂度模型,从而大大简化了非参数部分估计,创造了半参数模型崭新的实现方式,并达到了理想的定价效果,而且可以发挥半参数模型的特有优势,进行模型结构分析。经过实证和检验证明了这种模型用于我国股票发行定价的有效性和合理性。为完全市场化股票发行方式下确定股票的发行价格提供了新的方法。

动态全参数自调整BP神经网络模型的改进

针对BP网络存在的缺点,有多种改进方法。本文在文献[14]的基础上,从算法和网络结构设计方面又进行了综合改进,这不仅加快了网络的收敛速度,而且优化了网络的拓扑结构,从而增强了BP神经网络的适应能力。将新改进的BP网络应用于我国能源消费预测,取得了令人满意的效果。

变形预测的一种新方法

采用一种新的变形预测方法,即将GMDH神经网络预测方法运用到变形预测中进行短期以及长期预测,并且将预测得到的结果与采用BP神经网络预测得到的结果进行比较.结果表明,GMDH神经网络是一种比较好的预测方法,在变形预测中具有一定的实用性.

基于集对分析的年径流自组织预测模型

准确预测径流量对水资源科学管理具有重要意义.针对年径流量与其影响因子关系复杂的特点,利用自组织数据挖掘理论分析并描述两者之间的联系,同时,以集对分析为基础从同、异、反3个方面来刻画模型计算值与实际值之间的接近程度并建立相应的筛选外准则,以进行中间模型的评价及选择,从而构建了基于集对分析的年径流自组织预测模型(SPA-GMDH).实例结果表明:SPA-GMDH模型能够自主地选择对年径流量作用显著的输入形成最终模型,其拟合及预测效果良好.

基于两阶段优化算法的神经网络预测模型

采用基于两阶段优化算法(multi_stage optimization approach,MSOA)的GA人工神经网络,将训练集分为两部分,在前一训练集训练后获得的网络基础上使用后一训练集进行进一步的训练获得更为优化的网络结构.针对复杂系统建模输入节点难以确定的问题,提出将其与自组织数据挖掘算法相结合,利用GMDH算法获得神经网络的初始化节点,使用训练好的神经网络模型进行预测.将由此建立的预测模型应用于粮食价格的预测,并进一步探讨了MSOA算法的收敛性问题.结果表明基于GMDH和MSOA的神经网络组合预测模型能较大提高神经网络的全局收敛能力和收敛速度,提高预测精度.