中小企业板上市公司退市风险预警研究--基于因子分析的Rprop神经网络模型分析

以我国中小企业板上市公司退市风险预警为例,利用弹性反向传播算法(resilient back propagation,Rprop)和因子分析法相结合,建立了一种基于因子分析的Rprop神经网络模型。首先利用因子分析法构建包含财务变量和非财务变量的预警体系;其次运用Rprop神经网络模型对我国160家中小企业板上市公司进行退市风险预警实证分析;最后对该模型的有效性进行了实证分析,结果表明,该模型对上市公司退市风险预警的准确性比标准的BP神经网络模型和支持向量机模型分别提高了2.91%和6.09%。因此,该模型可为投资者决策提供较好的参考依据。

基于PCA-Rprop神经网络的建筑业上市公司退市风险预警研究

针对标准BP神经网络仅从预测误差负梯度方向修正权值和阈值,存在学习算法收敛速度满、容易陷入局部最小值从而导致模型泛化能力不足的问题.本文提出了一种基于误差反向传播算法(back-propagation algorithm,BP)改进的弹性反向传播算法(resilient back propagation,Rprop),并与主成分分析法相结合,形成了PCA-Rprop神经网络算法.同时,构建包含财务变量和非财务变量的预警体系,运用Matlab软件对我国195家建筑业(涉及房地产概念)上市公司进行退市风险预警实证分析,实证结果表明PCA-Rprop神经网络算法的退市风险预警准确性相较于标准BP神经网络算法和支持向量机模型分别提高了7.03%和10.29%.因此,该模型有望为利益相关者的风险管控和投资决策提供较好的参考依据.

弹性BP神经网络在高校课程评价分析系统中的应用

本文针对高校专业课学习效果评价体系,提出一种弹性BP神经网络(Resilient Back-Propagation Neural Network, RPROP-NN)的专业课程评价分析系统.一门课程的最终学习效果的评估受许多相关指标的影响,从而传统的人工专家评价方法不能真实客观地反映出学生对这门课程的学习效果.相对于传统的专家评价方式,RPROP-NN解决了专家因主观因素影响评价结果的问题;同时,比起传统的BP神经网络,RPROP-NN可消除对评价结果有不利影响的网络训练过程中的梯度幅度,使网络的收敛速度更快,课程评价结果更加准确.通过对实际专业课学习评价数据的仿真,RPROP-NN的有效性得到验证.

基于自组织竞争网络与RPROP算法的线损计算研究

为更好地发现高效的降损措施,并为科学地制定线损目标提供依据,提出了一种基于自组织竞争神经网络的RPROP神经网络的线损计算方法。RPROP神经网络确保了网络在有限的训练次数下能够收敛,利用自组织竞争神经网络对信息数据进行有效分类,提高了RPROP神经网络的输出精度。通过在MATLAB平台进行仿真实验,并与线性回归算法、标准BP神经网络算法,以及未分类的RPROP算法进行比较,验证了该方法的有效性。

基于S变换的全桥整流电路故障诊断研究

针对应用广泛的全桥整流电路故障分析,根据整流电压波形的畸变规律,分析了2个以内的二极管故障分为7类共计22种故障元。运用S变换分析,提取了故障特征值,并以此构造故障模式向量作为RPORP神经网络的输入。实现了电路的故障诊断与定位。为双凸极发电机整流电流故障的进一步研究打下了基础。