基于蚁群神经网络的财务危机预警方法

为了克服神经网络财务危机预警方法收敛慢、不收敛和网络结构难以确定等缺陷,提出了基于蚁群算法的改进神经网络财务危机预警方法。将神经网络模型的结构和参数进行编码,利用蚁群算法确定若干个神经网络模型的结构和参数,然后通过评价函数得到神经网络的最佳结构,最后通过BP算法训练该神经网络,得到神经网络财务危机预警模型。验证结果表明,该模型结构简单、预警精度高。     

用神经网络解非线性最小二乘问题

提出了一种求解非线性最小二乘问题的神经网络方法 ,并证明了该神经网络方法的稳定性和收敛性     

基于RBM的神经网络时间序列预测

为了克服神经网络依赖初始化结果,泛化能力不强的缺点,提出一种基于受限玻尔兹曼机(RBM)的神经网络模型.利用无监督学习方法优化神经网络的初始权值和阈值,将RBM与神经网络融合起来,模型与时间序列神经网络做实验对比,结果表明,基于受限的玻尔兹曼机的神经网络模型优于神经网络预测模型,模型可以提高预测的精准度,具有一定的应用意义.     

图神经网络

近年来,随着海量数据的涌现,可以表示对象之间复杂关系的图结构数据越来越受到重视并给已有的算法带来了极大的挑战.图神经网络作为可以揭示深层拓扑信息的模型,已开始广泛应用于诸多领域,如通信、生命科学和经济金融等.本文对近几年来提出的图神经网络模型和应用进行综述,主要分为以下几类:基于空间方法的图神经网络模型、基于谱方法的图神经网络模型和基于生成方法的图神经网络模型等,并提出可供未来进一步研究的问题.     

Cox模型与BP神经网络在处理非线性数据时的性能比较

本文采用BP神经网络、Cox模型和bootstrap方法,比较BP神经网络与Cox模型在处理非线性资料时的性能。两种方法的预测一致性的均数分别为0.7525和0.7706。对于非线性资料,BP神经网络的预测效果优于Cox模型。     

Cohen-Grossberg神经网络的全局指数稳定性分析

本文研究了CohenGrossberg神经网络模型的指数稳定性.为避免构造Lyapunov函数的困难,我们采用广义相对Dalquist数方法来分析神经网络的稳定性.借助这一方法,我们不但得到了CohenGrossberg神经网络模型平衡解的存在性、唯一性和全局指数稳定性的新的充分条件,而且给出了神经网络的指数衰减估计.所获结论改进了已有文献的相关结果.     

基于MTALAB的神经网络判别模型

判别分析是判别样品所属类型的一种统计方法.利用M ATLAB提供的神经网络工具箱为基础,设计了一个三层BP神经网络判别模型,提出了一种进行判别分析的新方法,实例表明,利用BP神经网络建立的判别模型是进行判别分析的有效方法.是对研究分类问题的方法的扩充.     

三种生成神经网络拓扑结构的方法在股票、商品价格预测中的应用及结果比较

对比了三种不同神经网络模型的生成方式:传统神经网络生成模型,遗传算法训练神经网络模型,以及在第二种方式训练参数的基础上,再使用传统神经网络优化生成模型.论文使用上述三种方法对代表性股票和商品价格进行拟合并预测,通过预测结果准确性和稳定性的比较发现:引入遗传算法后的神经网络在样本内的拟合误差有所降低,而第三种方法在样本外有最低的预测误差和最优稳定性.     

遗传算法优化神经网络的汛期降水模型

针对目前神经网络在实际应用中,网络结构难以确定以及网络极易陷入局部解问题,用遗传算法优化神经网络的连接权和网络结构,并在遗传进化过程中采取保留最佳个体的方法,建立基于遗传算法的神经网络模型,实例研究结果表明该方法可以取得较高的预测精度.     

距离空间中插值神经网络的误差估计

研究距离空间中的神经网络插值与逼近问题.首先引进一类广义的激活函数,用比较简洁的方法讨论距离空间中插值神经网络的存在性,然后给出插值神经网络逼近连续函数的误差估计.     

一种利用神经网络改善判断矩阵一致性的方法

针对层次分析法中判断矩阵致性改进问题,提出了一种利用神经网络改善判断矩阵一致性的方法.本文在建立了BP神经网络模型的基础上,把判断矩阵一致性调整问题转化为BP神经网络的多输入多输出求解问题.经BP神经网络算法调整过的判断矩阵再返回给专家进一步调整使其符合萨迪标度.计算实例表明,此种方法是可行的.     

基于多元二次径向基神经网络的偏微分求解方法

为提高偏微分方程的计算求解精度,设计了以多元二次径向基神经网络为求解单元的偏微分计算方法,给出了多元二次径向基神经网络的具体求解结构,并以此神经网络为求解基础,给出了具体的偏微分计算步骤.通过具体的偏微分求解实例验证方法的有效性,并以3种不同设计样本数构建的多元二次径向基神经网络为计算单元,从实例求解所需的计算时间以及解的精度作对比,结果表明,采用基于多元二次径向基神经网络的偏微分方程求解方法具有求解精度高以及计算效率低等特点.     

基于粒子群的模糊神经网络的短时交通流量组合预测

为了进一步提高短时交通流量预测的精度,提出了一种粒子群算法的模糊神经网络组合预测模型,模糊神经网络融合了神经网络的学习机制和模糊系统的语言推理能力等优点,弥补各自不足,将自回归求和滑动平均(ARIMA)和灰色Verhulst模型进行初步预测,并将两种初步预测的结果作为模糊神经网络的输入,构建基于改进模神经网络的组合预测模型,在此基础上进行训练和预测,其中模糊神经网络的相关参数由改进粒子群来优化,利用本方法来对南京市汉中路短时交通流量进行预测,结论表明:方法充分发挥了单一模型的优势,比单一的预测模型更加精确,是短时交通流量预测的一个有效方法。     

偏最小二乘回归的贝叶斯正则化神经网络集成模型在证券分析预测中的应用

神经网络集成技术能有效地提高神经网络的预测精度和泛化能力,已经成为机器学习和神经计算领域的一个研究热点.利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型.通过上证指数开、收盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好.     

基于BP神经网络的时间序列预测问题研究

分析指出了基于标准BP神经网络的时间序列预测问题存在的不足.根据基于BP神经网络的时间序列预测问题的特点,研究给出了一种以y=x作为传递函数的时间序列预测方法,经实例验证表明,给出的以y=x作为传递函数的时间序列预测方法较基于标准BP神经网络的时间序列预测方法具有较好的结果.     

数学规划的求解与广义Hopfield神经网络

神经网络技术最为成功的应用领域之一是用于求解优化问题,本文就近年来的求解优化问题的神经网络方法进行了综述     

变尺度快速二阶非线性优化算法在神经网络辨识中的应用

神经网络是非线性系统建模与辨识的重要方法 ,反向传播 (BP)算法常常用在神经网络的权值训练中 ,但是 BP算法的收敛速度慢 .本文提出一种变尺度二阶快速优化方法 ,在这种方法中用二阶插值法来优化搜索学习速率 ,然后将这一方法应用于神经网络的辨识中 ,仿真研究表明新算法有更快的收敛速度和更好的收敛精度 .     

Cohen-Grossberg神经网络指数稳定性的新判则

避免构造Lyapunov函数的困难,运用广义Dahlquist数方法研究了Cohen- Grossberg神经网络模型的指数稳定性,不但得到了Cohen-Grossberg神经网络平衡点存在惟一性和指数稳定性的全新充分条件,而且给出了神经网络的指数衰减估计.与已有文献结果相比,所得的神经网络指数稳定的充分条件更为宽松,给出的解的指数衰减速度估计也更为精确.     

求解线性约束的区间二次规划问题的神经网络

在本文中,基于神经网络,提出了一类求解具有线性约束区间二次规划问题的方法,使用增广拉格朗日函数,建立了求解规划问题的神经网络模型。基于压缩不动点理论,证明了所提出神经网络的平衡点就是等式约束区间二次规划问题的最优解。使用适当的Lyapunov函数,证明了所提出的神经网络的平衡点是全局指数稳定的。最后,两个数值仿真结果验证了本文所用方法的可行性与有效性。     

离散时间型复值神经网络的全局指数周期性

复值神经网络是神经网络的一个分支,也是最近几年快速发展的一个领域,在图像处理、模式识别、联想记忆等方面有广泛的应用．目前,对于复值神经网络动力学方面的研究主要集中在稳定性上,对于离散时间型复值神经网络周期性的研究还几乎没有．首先将连续时间型复值神经网络模型离散化得到离散时间型复值神经网络模型,然后利用M矩阵理论、不等式技巧和Lyapunov方法,获得了全局指数周期性的一个充分条件,最后给出的具有仿真的数值例子验证了获得结果的有效性.