基于Elman神经网络的时间序列股票价格短期预测

Elman神经网络是一种典型的回归神经网络,比BP神经网络具有更强的计算和适应时变特性的能力,因而非常适用于预测股市这一类极其复杂的非线性动力学系统。文章给出一种基于Elman神经网络的股票市场建模、预测及决策方法,对浦发银行股价在时间序列上作了连续若干天的短期预测,实验结果取得较高的预测精度、较为稳定的预测效果和较快的收敛速度。这表明该预测模型对于个股价格的短期预测是可行和有效的。     

基于Elman神经网络的商品销售额建模及预测

为提高预测精度,采用Elman神经网络对商品销售额进行预测.在分析样本数据特性基础上,采用Elman神经网络对商品销售额的预测进行建模,通过实例验证模型的有效性并对比分析BP神经网络的预测效果.研究结果表明,基于Elman神经网络的商品销售额预测能够较好地反映商品销售额的变化趋势且提高了预测精度,验证了该方法在商品销售额预测中的可行性.     

基于 Elman 神经网络的高压直流输电系统换相失败故障诊断

快速准确地诊断出换相失败故障,对后期采取适当控制措施避免保护装置误动有重要意义。首先建立永富弱受端直流输电系统的 PSCAD 仿真模型,对不同故障条件下的直流线路短路故障和换相失败故障进行仿真;利用 FEEMD 对不同故障条件下逆变侧的电流线模信号进行分解,并取 IMF7-IMF10 分量求样本熵值;然后将归一化后的样本熵值作为 Elman 神经网络的训练集和测试集,利用 Elman 神经网络的输出诊断直流系统运行状态,即正常状态（0 0 1）、线路短路故障（1 0 0）、换相失败（0 1 0）。对不同故障条件下的线路故障和换相失败故障进行仿真,实验结果表明,在训练集较少的情况下,线路故障的识别率为 85.71,%、换相失败故障占比92.85%;随着训练集增加,基于 FEEMD 样本熵+Elman 神经网络的方法对换相失败和线路故障的识别率达到100%,能够准确判断出故障类型。     

融合Elman神经网络与EMD的交通拥堵指数预测

为了提高传统方法生成交通拥堵指数（TPI）的准确率,引入一种基于经验模态分解（EMD）与Elman神经网络的组合模型实现交通拥堵指数预测。首先,利用EMD将TPI序列分解为不同时间尺度下的IMF分量和剩余分量;然后,通过偏自相关函数（PACF）计算各分量的滞后期数,以此确定各分量在Elman神经网络中的输入和输出变量;之后,通过上述方法计算出各分量预测值并相加;最后,计算出总预测结果。通过计算结果可知,EMD-PACF-Elman预测方法3个评价指标（平均绝对误差、均方误差、平均绝对百分误差）的计算结果与单一Elman神经网络模型、EMD-Elman神经网络模型、单一BP神经网络模型、EMD-BP神经网络模型相比都为最低,分别为0.562 4、0.598 9、0.110 7。因此, EMD-PACF-Elman预测方法可以有效地预测TPI,同时也为进一步预测交通拥堵趋势提供了依据。     

Elman神经网络在选煤厂配煤中的应用

配煤是选煤厂改善和稳定煤质的重要方法。在选煤厂配煤中,配煤煤质的准确预测是至关重要的,由于配煤的多种煤质指标与各组分的单煤种之间并非简单的加权关系,而是具有复杂的非线性关系。根据Elman神经网络模型能够逼近任意非线性函数的特点和具有反映系统动态特性的能力,采用Elman神经网络建立配煤煤质的预测模型。结果表明,Elman神经网络能够实现配煤煤质的预测,在实际工作中具有一定参考价值和指导意义。     

基于深度学习的数字识别方法研究

近年来,手写数字识别是计算机视觉与模式识别中一个广受关注的问题。该问题的主要挑战是如何设计一种有效方法,以识别用户通过数字设备提交的手写数字。目前,深度学习算法在计算机视觉领域非常流行,被用于处理诸如图像分类、自然语言处理及语音识别等问题。以几种深度学习常见算法,包括线性感知器、卷积神经网络、循环神经网络、长短时记忆网络等为研究对象,分析其在手写数字识别方面的优缺点,并引入Google 第二代人工智能系统 TensorFlow,对比相同算法在不同框架下的识别速度及准确率。实验结果表明,几类深度学习算法都能明显提高识别准确率,且在训练数据集时不会损耗过多计算资源。     

基于模块化神经网络的自组织算法研究

文章根据大脑信息处理原理,对模块化神经网络进行相关的解析,分析模块化神经网络的信息点,对于由大量信息点组成的子网络结构学习自组织问题,神经元实现对输入样本空间的链接等问题提出了相关的算法,解决了子网络在有效时间段内采集相关数据,并实现集成的问题,提高了神经网络学习的效率,也对获取学习信息进行了相关的研究。     

基于EKF和RBF的路面附着系数估计

针对车辆行驶下的路面附着系数估计问题,提出了扩展卡尔曼滤波算法(EKF,Extended Kalman Filter)与径向基神经网络(RBF,Radial Basis Functionneural network)相融合。通过扩展卡尔曼滤波算法得出路面附着系数估计所需要的车辆状态参数,结合轮速等直接数据采用径向基神经网络对路面附着系数进行估计。神经网络的训练样本通过Carsim/Simulink收集不同行驶工况,并采用差值寻优的方法对径向基神经网络算法中的决定系数进行优化。基于双移线工况验证了该算法在路面附着系数估计上具有较高的精准度。     

一个面向大规模BP神经网络并行算法

BP神经网络是在数据挖掘、语音识别和文本语言转换等领域最为广泛使用的网络之一。但也有其不足之处，主要表现在收敛速度慢和学习时间长。并行是解决这一问题的可行方案。本文提出了一种利用微机机群来实现并行处理，在并行编程环境PVM中实现BP神经网络的并行学习算法。即主要采用将大量计算由主控节点转移到从结点上、设置逻辑锁和粗粒度任务划分等方法以减少计算和通信时间，有效实现学习过程的并行处理。在微机机群系统下的PVM环境中实现该算法。结果表明改进后的算法不仅大大减少了学习时间，提高了学习效率，而且能够很好面对大规模BP神经网络的学习。     

基于支持向量回归神经网络的动态系统辨识

结合支持向量机和神经网络各自的优点,提出了一种新颖的自适应支持向量回归神经网络(SVR-NN).首先,利用支持向量回归方法确定SVR-NN的初始结构和初始化权值,基于支持向量自适应地构造SVR-NN神经网络的隐层节点;然后,使用退火过程的鲁棒学习算法更新网络节点参数和权值.为了验证所提出方法的有效性,给出了自适应SVR-NN应用于非线性动态系统辨识的实例.仿真结果表明,与以前的神经网络方法相比,基于SVR-NN网络的辨识方案能获得相当好的性能,它具有很快的收敛速度.因此,自适应的SVR-NN为非线性系统辨识提供了极有吸引力的新途径.     

一种改进的BP算法

BP算法是目前应用极为广泛的神经网络算法，但它也存在一些不足。本文提出了一种改进的BP算法，该算法基于黄金分割法自适应调整网络学习速率。仿真结果表明：该算法比传统的BP算法具有更快的学习速度和更高的学习精度。     

Nonlinear Time-Varying Systems Identification Using Basis Sequence Expansions Combined with Neural Networks

A new method for identifying nonlinear time-vaying systems with unknown structure is presented,The method extends the application ar5ea of basis sequence identification.The essential idea is to utilize the learning and nonlinear approximating ability of neural networks to model the non-linearity of the system,characterize time-varying dynamics of the system by the time-varying parametric vector of the network ,then the parametric vector of the network is approximated by a weighted sum of known basis sequences,Because of black-box modeling ability of neural networks,the presented method can identify noninear time-varying systems with unknown structure,In order to improver the real-time capability of the algorithm ,the neural network is trained by a simple fast learning algorthm based on local least squares presented by the authors,The effectiveness and the perfomence of the method are demonstrate3d by some simulation results.     

一种改进的基于加权模式的BP算法

反向传播算法（BackPropagation）是一种有监督神经网络学习算法,但原始算法收敛速率慢,训练过程易陷入局部极小值,精度不高等问题．文中提出了一种加权和引入参数改进的神经网络BP算法,某种程度上克服了以上缺点．对文中的改进算法用VC平台编程,并利用真实数据,对大学生就业能力进行了预测．实验表明,改进算法有效,也为高校解决大学生就业能力提供了决策支持．     

攻击模型BBFPAN分层的新方法

针对以模糊Petri网为理论基础的网络攻击模型BBFPAN自学习能力差的缺点,提出了一种新的适用于对攻击模型BBFPAN进行层次式划分的分层算法,为将神经网络理论引入攻击模型的研究奠定了基础。     

基于RBF神经网络的空间机械臂关节空间轨迹跟踪补偿控制

在PD策略的计算力矩法基础上,讨论了系统参数不确定的空间机械臂系统的控制问题.针对空间机械臂载体的位置不受控制,姿态受控制的情况下,对系统动量守恒关系进行了分析,得到了空间机械臂的系统动力学方程.采用PD策略的计算力矩法,考虑协调参数的不确定性,得到了系统的闭环动态误差方程.在此基础上提出了一种基于RBF神经网络的补偿学习控制方法,设计了具有不确定性的自由漂浮空间机械臂关节空间的补偿控制方案.将基于神经网络的补偿学习控制与计算力矩法相结合,利用进化学习来消除系统参数不确定性而造成的轨迹跟踪不准确的问题,实现了对空间机械臂关节空间内的轨迹跟踪控制.数值仿真的结果验证了该方法的有效性.     

基于正则极限学习机的驾驶员疲劳状态分类方法

为避免接触式疲劳检测方法给驾驶员带来干扰,解决单一信号源对于反映疲劳程度可靠性低的问题,实现对疲劳状态高精度、高速度的检测,提出一种基于正则极限学习机的驾驶员疲劳状态分类方法。该方法通过多普勒雷达模块采集驾驶员生理信号,包括呼吸信号和心跳信号,作为神经网络输入数据。通过多源信息结合的方式提高疲劳状态检测可靠性。设计正则极限学习机（RELM）模型对数据集进行训练。实验结果显示,基于RELM算法模型检测驾驶员疲劳状态的准确率达92%。RELM算法可实现对训练数据的快速计算和学习,同时通过特征变换消除个体差异,实现对驾驶员疲劳状态较高的检测率。     

基于深度学习的手势识别研究

目前一些相对成熟的手势识别算法,如基于模板匹配的方法、基于人工神经网络的方法以及基于隐马尔科夫模型的方法,都存在计算复杂的劣势,而基于深度学习的手势识别具有一定优势。通过深度学习提取多层网络简化的高价值易用特征,通过向量等表示,简化算法以实现良好的识别效果。通过摄像头采集室内复杂背景下的手势图像,在计算能力、存储能力强大的PC平台通过深度学习处理图像,提取特征,然后进行分类识别,能提高识别准确率。通过改进硬件或算法还可提高识别效率及安全性。     

深度神经网络的快速学习算法

通过分析传统的多层感知器和反向传播算法的不足,设计了一个全新的网络结构SC-MLP和提出了与之对应的全新的学习算法NBP,主要是实现权值的模和固定,这样可以加速训练的速度.在高维数据分类的实证分析中,以手写数字数据库为例,构建了一个深度神经网络,并对比各种训练算法.实验表明,NBP学习算法对于深度神经网络具有良好的学习效果,明显优于传统的反向传播算法,并且在精度上与深度学习算法相当,但是速度快.     

基于遗传算法和神经网络的倒立摆控制系统

以单级倒立摆为对象,介绍了一种融合遗传算法的神经网络控制方法。该方法采用以多层前馈神经网络作为遗传搜索表示方法的思想,以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力。仿真结果证明:遗传算法和神经网络的结合,可兼有神经网络广泛映射能力和遗传算法快速全局收敛等性能。     

基于机器学习的医疗大数据分析与临床应用

医疗大数据指数目庞大、增长迅速、结构复杂、隐藏价值高的数据。机器学习技术能够有效分析医疗大数据的内部联系,对疾病的早期诊断及预后具有重要临床指导意义。阐述了机器学习技术在医疗大数据中的应用及研究进展,包括在大数据分析中的回归分析、决策树、基于内核的算法、降低维度算法等浅层机器学习算法模型,卷积神经网络、循环神经网络、自动编码器、深度信念网络等深度学习算法模型,以及各个算法模型的临床应用,分析了机器学习在医疗数据挖掘中的应用前景和存在的技术难题。