硕士论文-基于BP神经网络的股票投资分析
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
硕士论文-基于BP神经网络的股票投资分析
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口BP神经网络的改进及其应用--《河南科学》2003年02期
BP神经网络的改进及其应用
【摘要】：在分析BP神经网络建模步骤的基础上,针对BP神经网络某些不足,提出了几点改进措施。首先对原始数据进行了非线性规格化;其次,提出了记忆式初始权值和阀值;最后以确定性系数最大为依据进行参数优选,并将改进后的BP神经网络应用于需水量预测。结果表明,改进后的BP神经网络不仅提高了BP神经网络预测的精度,而且加快了BP网络运行时的收敛速度。
【作者单位】：
【关键词】：
【基金】：
【分类号】：TP183【正文快照】：
人工神经网络(ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋ)是近些年来迅速发展起来的人工智能科学的一个分支,这几年的广泛应用再度显示了它活跃的生命力。实践证明,人工神经网络除了应用在语言识别、自动控制等领域外,还可以应用于预测、评价等其它方面,其准确性明显
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【引证文献】
中国期刊全文数据库
张雪飞,郭秀锐,程水源,王海燕;[J];安全与环境学报;2005年05期
王彩云;李英;李元春;;[J];吉林大学学报(信息科学版);2006年02期
贺清碧,周建丽;[J];重庆交通学院学报;2005年01期
贺清碧;;[J];重庆交通学院学报;2007年01期
张静亚,潘启勇;[J];常熟高专学报;2004年04期
宋嘎;王兆辉;;[J];电加工与模具;2007年05期
孙秋菊;钟莉娟;;[J];电脑知识与技术;2009年18期
孙明亮;范修涛;傅孝忠;;[J];硅谷;2008年11期
陈郁;秦奋;余明全;;[J];河南教育学院学报(自然科学版);2007年02期
周红新,李言钦,周怀春;[J];华中电力;2005年04期
中国重要会议论文全文数据库
邓卫东;唐颂;;[A];全国第六届土工合成材料学术会议论文集[C];2004年
胡东岗;孙志毅;刘素清;;[A];中国计量协会冶金分会2008年会论文集[C];2008年
李国丽;刘辉;邓娜;;[A];计算机技术与应用进展——全国第17届计算机科学与技术应用（CACIS）学术会议论文集（上册）[C];2006年
胡东岗;孙志毅;刘素清;;[A];2008全国第十三届自动化应用技术学术交流会论文集[C];2008年
中国博士学位论文全文数据库
王文富;[D];天津大学;2004年
林开平;[D];南京信息工程大学;2007年
于景媛;[D];东北大学;2008年
李强;[D];东北大学;2008年
中国硕士学位论文全文数据库
章鑫;[D];哈尔滨工程大学;2010年
徐冬梅;[D];长沙理工大学;2010年
王慧萍;[D];武汉理工大学;2010年
毋丽丽;[D];浙江工商大学;2011年
张俊荣;[D];北方工业大学;2011年
李欣昊;[D];吉林大学;2011年
徐真红;[D];哈尔滨工业大学;2010年
沈晨;[D];上海交通大学;2011年
付荣荣;[D];河北工业大学;2011年
王宽;[D];天津大学;2012年
【共引文献】
中国期刊全文数据库
王学知;赵春风;王连国;;[J];地下空间与工程学报;2007年06期
常鹏;姚谦峰;;[J];北京交通大学学报;2006年04期
曹守华;袁振洲;韩宝明;李得伟;;[J];北京交通大学学报;2008年06期
李擎,郑德玲,孟文博,童新海,谢四江;[J];北京科技大学学报;2002年03期
陈伟;赵罘;;[J];北京工商大学学报(自然科学版);2009年04期
邱德润;朱明旱;;[J];湖南文理学院学报(自然科学版);2006年02期
郭力;;[J];湖南文理学院学报(自然科学版);2008年03期
韩玲;[J];测绘通报;2004年09期
樊新海,安钢,邱绵浩;[J];测试技术学报;2001年01期
李秀杰,李国岫,宋建锋,张欣;[J];车用发动机;2002年03期
中国重要会议论文全文数据库
孙玲玲;葛锋;武新玲;蔡妙花;严晓浪;;[A];1999年全国微波毫米波会议论文集(上册)[C];1999年
中国博士学位论文全文数据库
陈进杰;[D];北京交通大学;2011年
李宏;[D];东北石油大学;2011年
包欢;[D];解放军信息工程大学;2009年
陈金宏;[D];第三军医大学;2010年
徐建新;[D];西安理工大学;2000年
陈燕;[D];大连理工大学;2000年
银建中;[D];大连理工大学;2002年
殷峻暹;[D];大连理工大学;2002年
陈周熠;[D];大连理工大学;2002年
吴景社;[D];西北农林科技大学;2003年
中国硕士学位论文全文数据库
游海林;[D];辽宁师范大学;2010年
杨克强;[D];安徽农业大学;2010年
王祎;[D];中国海洋大学;2010年
杨璀琼;[D];华东师范大学;2011年
王迪;[D];长春工业大学;2010年
陈占扬;[D];昆明理工大学;2010年
张艳青;[D];河北农业大学;2011年
薛亚亭;[D];太原理工大学;2011年
王鑫;[D];太原理工大学;2011年
刘景林;[D];大连理工大学;2011年
【同被引文献】
中国期刊全文数据库
杨兴江;[J];阿坝师范高等专科学校学报;2002年02期
房荣波,魏元,杨海峰;[J];鞍钢技术;2002年04期
董晓霞,郭洪海,孔令安;[J];山东农业科学;2001年01期
王年,熊原,赵海峰,任彬;[J];安徽大学学报(自然科学版);2000年01期
吴小培,费勤云;[J];安徽大学学报(自然科学版);1998年03期
胡继胜;[J];安徽纺织职业技术学院学报;2003年03期
杨秀春,朱晓华;[J];安徽农业科学;2000年02期
张雪飞,郭秀锐,程水源,王海燕;[J];安全与环境学报;2005年05期
刘全金,孙承珣,任广永;[J];安庆师范学院学报(自然科学版);2004年01期
李丽,孙云兰,陈雪波;[J];鞍山科技大学学报;2004年02期
中国重要会议论文全文数据库
郑德玲;刘聪;方巍;方彤;;[A];第二十四届中国控制会议论文集（下册）[C];2005年
中国重要报纸全文数据库
陈礼明（作者单位：南通市规划设计院）;[N];中国建设报;2002年
中国博士学位论文全文数据库
袁梦;[D];上海交通大学;2011年
李海民;[D];西安电子科技大学;1999年
向小东;[D];西南交通大学;2002年
伏广涛;[D];大连理工大学;2003年
刘文财;[D];天津大学;2003年
屈忠义;[D];内蒙古农业大学;2003年
王济干;[D];河海大学;2003年
干方建;[D];合肥工业大学;2003年
师庆东;[D];南京气象学院;2004年
岳春芳;[D];新疆农业大学;2004年
中国硕士学位论文全文数据库
肖华;[D];西安理工大学;2002年
张民安;[D];西安理工大学;2002年
张增峰;[D];南京师范大学;2002年
帅旗;[D];西南交通大学;2002年
贺彦峰;[D];哈尔滨工程大学;2002年
何雨微;[D];武汉理工大学;2002年
汪晗;[D];中国人民解放军国防科学技术大学;2002年
张文鸽;[D];郑州大学;2003年
张海鹏;[D];哈尔滨工程大学;2002年
苗英豪;[D];长安大学;2003年
【二级引证文献】
中国期刊全文数据库
郭立磊;董晓峰;于琳荣;;[J];安徽农业科学;2010年33期
李春艳;华德尊;陈丹娃;王萍;任佳;;[J];北京林业大学学报;2008年S1期
龙训建;钱鞠;梁川;;[J];成都理工大学学报(自然科学版);2010年02期
简晓春;王利伟;闵峰;;[J];重庆理工大学学报(自然科学);2012年07期
吕佳;;[J];重庆师范大学学报(自然科学版);2007年01期
周臻;陈冬林;谢孝君;;[J];电力科学与技术学报;2008年02期
李文超;胡天然;魏永霞;;[J];东北农业大学学报;2009年09期
胡晓东;刘均华;王易南;;[J];导弹与航天运载技术;2010年03期
黄仁宗;周炳海;;[J];东方企业文化;2012年11期
陈兴权;王解先;谷川;;[J];大地测量与地球动力学;2008年03期
中国重要会议论文全文数据库
陶翠翠;;[A];科技创新与产业发展（A卷）——第七届沈阳科学学术年会暨浑南高新技术产业发展论坛文集[C];2010年
李希灿;王静;;[A];第19届灰色系统全国会议论文集[C];2010年
鞠金艳;王金武;王金峰;;[A];纪念中国农业工程学会成立30周年暨中国农业工程学会2009年学术年会（CSAE 2009）论文集[C];2009年
赖辉;帅理;周宗放;;[A];风险分析和危机反应的创新理论和方法——中国灾害防御协会风险分析专业委员会第五届年会论文集[C];2012年
中国博士学位论文全文数据库
董岗;[D];复旦大学;2011年
阳子轩;[D];武汉理工大学;2011年
姜秋香;[D];东北农业大学;2011年
叶青;[D];华侨大学;2011年
张晶;[D];大连理工大学;2011年
王冬光;[D];哈尔滨工程大学;2005年
夏代林;[D];中南大学;2005年
毕晓君;[D];哈尔滨工程大学;2006年
杨武;[D];同济大学;2006年
林开平;[D];南京信息工程大学;2007年
中国硕士学位论文全文数据库
朱国凯;[D];山东科技大学;2010年
吴家瑞;[D];浙江理工大学;2010年
王利明;[D];郑州大学;2010年
吴珺;[D];郑州大学;2010年
周黎黎;[D];哈尔滨工程大学;2010年
赵利华;[D];大连理工大学;2010年
闫庆庆;[D];河南理工大学;2010年
侯广斌;[D];大连海事大学;2010年
聂成良;[D];河北工程大学;2010年
王皓;[D];江南大学;2010年
【相似文献】
中国期刊全文数据库
钟颖,汪秉文;[J];系统工程与电子技术;2002年04期
刘国平,符强,张华;[J];南昌大学学报(工科版);2003年03期
郭庆春;寇立群;孔令军;张小永;崔文娟;;[J];价值工程;2011年17期
刘俊;张学东;刘宏;徐海平;;[J];燃料与化工;2006年06期
石勇;殷惠;;[J];中国水运(理论版);2007年10期
贾建波;;[J];商场现代化;2010年16期
陈明和,谢兰生,周建华,左敦稳,王珉;[J];机械工程材料;2003年12期
陈婷婷;陈漪翊;;[J];计算机与现代化;2009年10期
张久政,胡元,沈文浩;[J];计算机测量与控制;2004年05期
陆兵焱;陈友龙;李映颖;;[J];科技信息;2009年17期
中国重要会议论文全文数据库
郭梨;刘荣;连民杰;;[A];全国金属矿山采矿新技术学术研讨与技术交流会论文集[C];2007年
李因武;李建桥;邹猛;崔占荣;;[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年
周保生;朱维申;;[A];第一届海峡两岸隧道与地下工程学术与技术研讨会论文集（下册）[C];1999年
石成英;孙引朝;;[A];第七届全国信息获取与处理学术会议论文集[C];2009年
韩晓军;俞敏;蒋庭魁;严峻;;[A];2000全国肿瘤学术大会论文集[C];2000年
吕文慧;周垂志;;[A];山东省2004年灾情趋势预测研讨会论文汇编[C];2004年
王仁雷;林衍;马曦;;[A];2005中国可持续发展论坛——中国可持续发展研究会2005年学术年会论文集（下册）[C];2005年
马芸;;[A];2005中国钢铁年会论文集（第4卷）[C];2005年
陈素清;赵兰鸰;谭家兴;李刚;谢成伦;彭炜;;[A];农业生物灾害预防与控制研究[C];2005年
雷霖;舒华;;[A];第十一届全国心理学学术会议论文摘要集[C];2007年
中国重要报纸全文数据库
胡性慧 王唯赫
杨腾;[N];中国知识产权报;2010年
张东方;沙明;杨松松;[N];中国医药报;2003年
采写;[N];中国医药报;2005年
苑希民（中国水利水电科学研究院决策支持技术研究室
徐建新（华北水利水电学院）
李鸿雁（北京理工大学管理与经济学院）
吕军（浙江大学环境与资源学院）;[N];中国水利报;2005年
周前进;[N];健康报;2000年
徐会川;[N];电脑报;2003年
葛一鸣 路边文;[N];中国纺织报;2003年
本报记者 范毅波 张旭军;[N];网络世界;2005年
记者靖九江;[N];中国医药报;2005年
刘友存;[N];中国冶金报;2007年
中国博士学位论文全文数据库
杨立峰;[D];天津大学;2004年
田敬霞;[D];山东大学;2008年
李耀民;[D];中国矿业大学;2009年
刘佳;[D];吉林大学;2008年
林跃忠;[D];天津大学;2006年
杨荣新;[D];华中科技大学;2006年
吴建发;[D];西南石油学院;2005年
何毅;[D];南京林业大学;2006年
李军红;[D];南昌大学;2006年
邓伟;[D];复旦大学;2002年
中国硕士学位论文全文数据库
崔晓红;[D];西安建筑科技大学;2005年
王海芳;[D];河北工业大学;2006年
王林玉;[D];青岛大学;2006年
沈威;[D];华中科技大学;2005年
汪茜;[D];吉林大学;2007年
卢金秋;[D];浙江工业大学;2006年
张阿妮;[D];暨南大学;2008年
何志波;[D];长春理工大学;2009年
刘涛;[D];天津大学;2005年
杨治明;[D];重庆大学;2003年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
同方知网数字出版技术股份有限公司
订购热线：400-819-82499
在线咨询：
传真：010-
京公网安备74号基于BP神经网络的有噪数字识别--《中国地质大学（北京）》2008年硕士论文
基于BP神经网络的有噪数字识别
【摘要】：
当数字混入噪声时,通常会降低识别率和识别精度。为此,本文研究了基于BP神经网络的有噪数字识别问题。通过充分利用BP神经网络从输入到输出的高度非线性映射,设计分类器,研究在噪声环境下BP网路的设计,BP网络的实现方案及改进措施等。
主要任务是设计一个可行的、高效的,三层BP神经网络模型,并将其应用于实例0～9共10个数字,使其在标准样本加入随机噪声之后能够进行识别,并达到高识别率,低误识率。本文用了两种方法,第一种为基础的神经网络字符识别算法,第二种为基础方法加入动量因子后对网络进行了优化。BP网络存在的一个问题是局部极小值问题,表现为当训练进行到误差曲面极小值的时候会陷入到里面无法跳出来。所以这里我引入了一个动量因子,用来优化网络,避免出现局部极小值问题,从而使系统运行速度加快,误差更小。根据多次实验结果,得出最适合网络运行的参数。
本文给出了有噪数字识别的BP网络设计过程、方案、及部分源程序。
【关键词】：
【学位授予单位】：中国地质大学（北京）【学位级别】：硕士【学位授予年份】：2008【分类号】：TP183;TP391.4【目录】：
Abstract6-8
第一章 绪论8-10
1.1 研究有噪数字识别的目的与意义8
1.2 数字识别的研究现状8-9
1.3 存在的问题9
1.4 采用BP 神经网络的优点9
1.5 完成工作9-10
第二章 BP 神经网络10-24
2.1 人工神经网络的模型与训练11-17
2.2 BP 神经网络模型与学习方式17-20
2.3 BP 神经网络的算法20-22
2.4 BP 神经网络学习规则与训练22-24
第三章 网络设计及实现24-45
3.1 输入层与输出层的编码24-30
3.2 网络各参数的选取30-32
3.2.1 输入、输出节点数及神经元个数30
3.2.2 隐层的确定30-31
3.2.3 激活函数31
3.2.4 允许误差31-32
3.2.5 步长32
3.2.6 初始权值和偏置32
3.3 网络的实现32-45
3.3.1 训练样本的实现32-33
3.3.2 网络结构整体图33
3.3.3 系统主页面及部分源程序33-45
第四章 网络优化45-56
4.1 优化的方法45-46
4.1.1 多次选择不同初始权值法45
4.1.2 采用动量因子法45-46
4.2 优化的结果46-48
4.2.1 未优化的情况46-48
4.2.2 优化后的情况48
4.3 总结优化参数对网络的影响48-56
4.3.1 对比神经元的个数对系统的影响49-51
4.3.2 加入动量因子的对比51-54
4.3.3 学习步长，允许误差的对比54-56
第五章 结论与展望56-57
参考文献58-59
欢迎：、、)
支持CAJ、PDF文件格式
【引证文献】
中国硕士学位论文全文数据库
胡瑞光;[D];重庆大学;2009年
【参考文献】
中国期刊全文数据库
王贵新,刘建胜,居琰,汪同庆,彭健,杨波;[J];电子科技大学学报;2001年03期
刘岚,秦洪;[J];信息技术;2002年06期
胡钟山,娄震,杨静宇,刘克,孙靖夷;[J];计算机学报;1999年04期
王伟,盛立东;[J];中文信息学报;2000年02期
王雯,施鹏飞;[J];上海交通大学学报;1998年09期
邓铭辉,孙枫,张志;[J];应用科技;2001年10期
【共引文献】
中国期刊全文数据库
刘兴远,方顺兴,姚忠国;[J];四川建筑科学研究;1993年02期
翁兴中;蔡良才;;[J];四川建筑科学研究;2010年01期
倪志伟;;[J];安徽大学学报(自然科学版);1997年03期
胡林,胡刚,吴海燕;[J];安徽大学学报(自然科学版);1999年04期
张燕平;[J];安徽大学学报(自然科学版);2002年02期
高湘萍;吴小培;沈谦;;[J];安徽大学学报(自然科学版);2006年02期
吴小培,费勤云;[J];安徽大学学报(自然科学版);1998年03期
单敬福;纪友亮;;[J];安徽地质;2006年02期
田丽,曹安照;[J];安徽工程科技学院学报(自然科学版);2004年04期
田丽;张玉成;陈俊;王军;;[J];安徽工程科技学院学报(自然科学版);2006年02期
中国重要会议论文全文数据库
;[A];Proceedings of the 5th International Symposium on Test and Measurement(Volume 1)[C];2003年
李丽;杨乐平;;[A];第九届全国信号处理学术年会（CCSP-99）论文集[C];1999年
郭成安;李建华;李明伟;;[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年
朱红伟;;[A];自主创新与持续增长第十一届中国科协年会论文集（3）[C];2009年
李功权;;[A];全国ISNBM学术交流会暨电脑开发与应用创刊20周年庆祝大会论文集[C];2005年
梁久祯;黄德双;何新贵;;[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
黄德双;;[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
黄德双;;[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
朱双鹤;马凌;;[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
周汉英;王永骥;;[A];中国自动化学会中南六省（区）2010年第28届年会·论文集[C];2010年
中国博士学位论文全文数据库
汤春瑞;[D];哈尔滨工程大学;2009年
毛宇峰;[D];哈尔滨工程大学;2010年
高晓阳;[D];甘肃农业大学;2010年
张进;[D];中国海洋大学;2009年
汪木兰;[D];合肥工业大学;2010年
孙大利;[D];浙江大学;2010年
张克俊;[D];浙江大学;2010年
刘焕龙;[D];江南大学;2010年
栾小丽;[D];江南大学;2010年
叶宗彬;[D];中国矿业大学;2010年
中国硕士学位论文全文数据库
沈昊;[D];华中农业大学;2010年
代宏伟;[D];南昌航空大学;2010年
王永;[D];山东科技大学;2010年
吴家瑞;[D];浙江理工大学;2010年
李朋勇;[D];郑州大学;2010年
王岩;[D];郑州大学;2010年
牛文娟;[D];郑州大学;2010年
刘鹏;[D];哈尔滨工程大学;2010年
王芳;[D];哈尔滨工程大学;2010年
阎明;[D];哈尔滨工程大学;2010年
【同被引文献】
中国期刊全文数据库
王涛,刘文印,孙家广,张宏江;[J];计算机研究与发展;2002年12期
万琴;王耀南;;[J];计算机应用研究;2007年01期
常发亮;马丽;乔谊正;;[J];控制与决策;2007年04期
王江涛;杨静宇;;[J];系统仿真学报;2007年19期
王江涛;王建国;杨静宇;刘锁兰;;[J];仪器仪表学报;2008年03期
中国硕士学位论文全文数据库
徐以美;[D];西安电子科技大学;2008年
朱宏;[D];西南交通大学;2008年
【二级引证文献】
中国硕士学位论文全文数据库
田翠翠;[D];重庆大学;2010年
唐清;[D];华南理工大学;2010年
刘晓娜;[D];沈阳航空航天大学;2012年
【二级参考文献】
中国期刊全文数据库
张炘中,阎昌德,刘秀英,王玉;[J];中国科学(A辑 数学 物理学 天文学 技术科学);1990年01期
盛立东，师春礼;[J];中文信息学报;1995年03期
郝红卫;戴汝为;;[J];模式识别与人工智能;1996年01期
【相似文献】
中国期刊全文数据库
盖凌云;;[J];中国科技信息;2006年18期
张伟;王克俭;秦臻;;[J];微电子学与计算机;2006年08期
刘立程;;[J];微计算机信息;2007年06期
唐志航;杨保安;;[J];机床与液压;2007年11期
梁晶;;[J];林区教学;2008年03期
高红;惠晓威;杨峰;;[J];科技信息(科学教研);2007年30期
马宁;马光;李长明;;[J];北华航天工业学院学报;2007年05期
唐莹梅;;[J];科技创新导报;2009年23期
远祯;罗波;;[J];信息技术;2006年02期
胡志军;王鸿斌;;[J];长春师范学院学报;2006年10期
中国重要会议论文全文数据库
杨炘;陈展辉;;[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年
夏爱国;;[A];1999年中国智能自动化学术会议论文集（下册）[C];1999年
刘涛;宋哲;刘伟;;[A];大连理工大学生物医学工程学术论文集（第2卷）[C];2005年
陈晓怀;张勇斌;朱忠奎;;[A];中国仪器仪表学会第三届青年学术会议论文集（下）[C];2001年
高立新;陆亚俊;;[A];全国暖通空调制冷2004年学术年会资料摘要集（2）[C];2004年
王英;隋竹娟;尹璐;;[A];中国交通土建工程学术论文集（2006）[C];2006年
赵金鑫;许宝杰;;[A];第八届全国设备与维修工程学术会议、第十三届全国设备监测与诊断学术会议论文集[C];2008年
王维;王震霞;唐宗军;高东方;;[A];人才、创新与老工业基地的振兴——2004年中国机械工程学会年会论文集[C];2004年
王金满;杨培岭;任树梅;石懿;;[A];中国农业工程学会农业水土工程专业委员会第三届学术研讨会论文集[C];2004年
霍召峰;冀慎利;寇新峰;;[A];山东省煤炭学会2006年年会论文集[C];2006年
中国重要报纸全文数据库
胡性慧 王唯赫
杨腾;[N];中国知识产权报;2010年
张东方;沙明;杨松松;[N];中国医药报;2003年
采写;[N];中国医药报;2005年
苑希民（中国水利水电科学研究院决策支持技术研究室
徐建新（华北水利水电学院）
李鸿雁（北京理工大学管理与经济学院）
吕军（浙江大学环境与资源学院）;[N];中国水利报;2005年
周前进;[N];健康报;2000年
徐会川;[N];电脑报;2003年
葛一鸣 路边文;[N];中国纺织报;2003年
本报记者 范毅波 张旭军;[N];网络世界;2005年
记者靖九江;[N];中国医药报;2005年
刘友存;[N];中国冶金报;2007年
中国博士学位论文全文数据库
张治国;[D];吉林大学;2006年
吴建发;[D];西南石油学院;2005年
李军红;[D];南昌大学;2006年
Han Q[D];山东大学;2005年
申金山;[D];四川大学;2005年
王海瑞;[D];昆明理工大学;2007年
刘传文;[D];武汉理工大学;2008年
刘永阔;[D];哈尔滨工程大学;2006年
蒲秀娟;[D];重庆大学;2009年
白艳萍;[D];中北大学;2005年
中国硕士学位论文全文数据库
曲婷婷;[D];中国地质大学（北京）;2008年
黄雪燕;[D];吉林大学;2007年
吴秀娟;[D];武汉大学;2003年
王东旭;[D];天津工业大学;2006年
李学玉;[D];西安建筑科技大学;2006年
李志民;[D];中北大学;2006年
张硕;[D];中国地质大学（北京）;2008年
王庆光;[D];中国地质大学（北京）;2006年
林友;[D];昆明理工大学;2005年
魏勇;[D];北京工业大学;2002年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
同方知网数字出版技术股份有限公司
订购热线：400-819-82499
在线咨询：
传真：010-
京公网安备74号论文发表、论文指导
周一至周五
9：00&22：00
基于BP神经网络的股市分析
&&&&&&本期共收录文章20篇
[摘要]神经网络领域已经有50年历史了,但是实际应用却在最近15年里,特别是近几年来,神经网络已经成为热点研究领域,已经在各个领域中应用,以实现各种复杂的功能。这些领域包括:模式识别、鉴定、函数拟合、分类、语音、翻译和控制系统。 中国论文网 /3/view-1478936.htm 股票市场是一个非线性的系统,本文基于BP神经网络,以1998年~2008年的上证股市大盘增幅数据作为训练,对以后的一年多数据进行验证,以证实神经网络对股市的预测。 [关键词]BP神经网络股票市场预测验证 一、 神经网络概述 人工神经网络是由大量处理单元广泛互联而成的网络,是对人脑的抽象、简化和模拟,反映人脑的基本特性,它与人脑的相似之处概括为两个方面:一是通过学习过程利用神经网络从外部环境中获取知识;二是内部神经元(突触权值)用来存储获取的知识信息。 一般的神经网络都是可调节的,或者说可训练的,这样一个特定的输入便可得到要求的输出。如图1.1所示: 图1.1 输入/目标对应的方法图 1.人工神经元 人工神经元是生物神经元的模拟与抽象,是构成人工神经网络的基本单元,因此构造一个人工神经网络系统,首先要构造人工神经元模型。一个具有n个输入分量的单个神经元模型如图所示: 图1.2 单 个 人 工 神 经 元 模 型 人工神经元的三个基本要素: (1)一组连接,连接强度由各连接上的权值表示,权值为正表示激活,为负表示抑制。 (2)一个求和单元,用于求取各输入信号的加权和。 (3)一个非线性激活函数,起非线性映射作用并将神经元输出幅度限制在一定范围内(一般限制在[0, 1」或[-1, +1]之间)。 此外还有一个偏差,即与阈值θ 人工神经元相当于一个多输入单输出的非线性阈值器件。这里 的表示它的n个输入,表示与它相连的n个突触的连接强度,对应于生物神经细胞的膜电位;o表示这个人工神经元的输出;θ表示这个人工神经元的阈值.如果输入信号的加权和超过θ,则人工神经元被激活。这样,人工神经元的输出可描述为,式中,表示神经元的输入输出关系的函数称为激活函数或输出函数。 人工信息元的信息处理过程分为三个部分,首先完成输入信号与神经元连接强度的内积运算,然后再将结果通过激活函数,再经过阈值的判断,如果输入值大于阈值门限,则神经元被激活,否则处于抑制状态。 2.人工神经网络模型 人工神经网络是由大量的神经元按照一定的模式(层内连接、循环连接和层间连接)相互连接而成的。按一定规则将神经元连接而成神经网络,才能实现对复杂信息的处理与存储。经过几十年的兴衰,人们己经发展了上百种人工神经网络,但大部分网络都是几种典型网络的变形和组合。一般地说,人工神经网络的连接形式和拓扑结构可分为两大类:即分层型和互联型神经网络。分层型神经网络又分为简单的前馈网络、反馈型前馈网络、和内层互联前馈网络。 二、 BP网络理论 1.BP网络概述 目前,在众多神经网络中,误差反向传播(Error Back Propagation)网络由于其良好的逼近能力和成熟的训练方法而得到了最为广泛的应用。BP网络由Rumelhat等人于1985年建立,它是一种多层前馈神经网络,由一个输入层、一个输出层和若干个隐含层所组成。位于同一层的单元之间不允许有连接,各层的单元只能向高层的单元输出激活信号。BP算法是用于前馈多层网络的学习算法,前馈多层网络的结构一般如图2.1所示 BP网络含有输入层、输出层以及处于输入输出层之间的中间层。中间层有单层或多层,由于它们和外界没有直接的联系,故也称为隐层。在隐层中的神经元也称隐单元。隐层虽然和外界不连接.但是,它们的状态则影响输入输出之间的关系。这也是说,改变隐层的权系数,可以改变整个多层神经网络的性能。 2. BP网络的学习过程 BP网络采用有教师的学习规则,其算法的核心是通过一边向后传播误差,一边修正误差的方法来不断调节网络参数(权、阀值),以实现或逼近所希望的输入、输出映射关系。它对每一个学习过程进行两趟传播计算 (1)工作信号正向传播 输入信号从输入层经隐含层,在输出端产生输出信号。在信号的向前传递过程中网络的权值保持不变,每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转入误差信号的反向传播。 (2)误差信号反向传播 网络的实际输出与期望输出之间差值即为误差信号,误差信号由输出端逐层向前传播。在误差信号反向传播的过程中,网络的权值由误差反馈进行调解。通过权值的不断修正使网络的实际输出更接近期望输出。 3.BP算法的改进 在实际应用中,传统的基于标准梯度下降法的BP算法在求解实际问题时很难胜任。为此,人们在标准BP算法的基础上进行了许多有益的改进,主要目标是为了加快训练速度,避免陷入局部极小值和改善其能力。改进后的BP网络的训练收敛速度比标准梯度下降法快数十倍乃至数百倍。 BP算法的改进分为两类,一类是基于标准梯度下降法的算法改进,如动量、自适应学习速率法、弹性BP法等;另一类是基于数值优化方法的改进,如共轭梯度法、拟牛顿法、LM算法等。这里介绍最常用的两种方法:动量法、自适应学习速率法。 (1)附加动量的BP算法 标准BP算法的权值调节公式为,式中,为本次权值校正量,k为训练次数,为学习速率,为节点误差,为该节点相应的输入值。 附加动量法每一次对连接权或输出阈值进行校正时,按一定比例加上前一次学习时的校正量,即动量项,由此加速网络学习的收敛速度。具体做法是,上式中,mc为动量因子(0<mc<1),一般取0.9左右,为上一学习周期的权值校正量。 该方法是在反向传播法的基础上在每一个权值的变化上加上一项正比前次权值变化量的值,并根据反向传播法来产生新的权值变化。 附加动量法的实质是将最后一次权值的影响,通过一个动量因子来传递。当动量因子取值为零时,权值的变化仅是根据梯度下降法产生;当动量因子取值为1时,新的权值变化则是设置为最后一次权值的变化,而依梯度法产生的变化部分则被忽略掉了。以此方式,当增加了动量后,促使权值的调节向着误差曲面底部的平均方向变化,当网络权值进入误差曲面底部的平坦区时,将变得很小,于是,从而防止了的出现,有助于使网络从误差曲面的局部极小值中跳出。 根据附加动量法的设计原理,当修正的权值在误差中导致太大的增长结果是,新的权值应被取消而不被采用,并使动量作用停止下来,以使网络不进入较大误差曲面;当新的误差变化率对其旧值超过一个事先设定的最大误差变化率时,也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的值取1.04。所以在进行附加动量法的训练程序设计时,必须加进条件判断。 训练程序中对采用动量法的判断条件为: 式中,k为训练次数,SSE为网络误差平方和。 附加动量的引入可使网络在修正其权值时,不仅考虑局部的梯度信息,而且考虑误差曲面最近的变化趋势,其作用如同一个低通滤波器,它允许网络忽略网络上的微小变化特性。在没有附加动量的作用下,网络可能陷入浅的局部极小值,利用附加动量的作用则有可能滑过这些极小值 。 (2)自适应学习率调整的BP算法 在标准BP算法的权值调节公式中, 是步长,表示学习速率,在训练过程中始终保持不变。对于一个特定的问题,要选择适当的学习速率不是一件容易的事情。通常是凭经验或实验获取,但即使这样,对训练开始初期功效较好的学习速率,不见得对后来的训练合适。为了解决这一问题,人们希望在训练过程中,自动调整学习速率。通常调节学习速率的准则是:检查权值的修正值是否真正降低了误差函数,如果确实如此 ,则说明所选取的学习速率可能小了,可以对其增加一个适当的量,若不是这样,而产生了过调,那么就应该减小学习速率的值。
自适应学习率调整的基本思想是:在保持训练稳定的前提下,使每次用于修正权值的迭代步长尽可能大。较大时,权值的修改量较大,学习的速率就比较快,但有时可能产生振荡,即误差 总不能小于某个特别小的值。而当取较小值时,学习的速率就较慢,但一般比较平稳,将使计算量变得很大。自适应学习率调整这一策略在误差增加不太大的范围内,能提高学习速率,在局部区域内获得有一个近最优的学习速率,从而得到比标准BP算法更快的收敛速度。 下式给出了一种自适应学习速率的调整公式 式中,k为训练次数,SSE为网络误差平方和。 初始学习速率的选取范围可以有很大的随意性。 与采用附加动量时的判断条件相仿,当新误差超过旧误差一定的倍数时,学习速率将减小,否则其学习速率保持不变;当新误差小于旧误差时,学习速率将被增加。此方法可以保证网络总是可以以最大可接受的学习速率进行训练。当一个较大的学习速率仍能够使用网络稳定学习,使其误差继续下降,则增加学习速率,使其以更大的学习速率进行学习。一旦学习速率调得过大,而不能保证误差继续减少,则减少学习速率直到使其学习过程稳定为止。 4.提高网络的推广能力 推广能力(Generalization)是衡量神经网络性能好坏的重要标志。所谓推广能力,就是指神经网络对训练样本以外的新样本数据的正确反映能力。一个“过度训练”(overtraining)的神经网络可能会对训练样本集达到较高的匹配效果,但对于一个新的输入样本矢量却可能会产生与目标矢量差别较大的输出,即神经网络不具有或具有较差的推广能力。 网络设计完成后,要运用样本集进行训练。对推广能力的测试不能用训练集的数据进行,而要用训练集以外的测试数据来进行检测。一般的做法是,将训练集的可用样本随机的分成两部份;一部分作为训练集,一部分作为测试集。隐层 结点数一定的情况下,为了获得好的推广能力存在一个最佳训练次数。 三、 基于BP神经网络的股市验证 我们选取上证股市大盘在号到号间的大盘每日涨幅数据作为训练样本和预测样本,训练样本区间选择日-号,共2466个大盘每日涨幅。预测样本为号-号的大盘每日涨幅,共375个数据。 为了加快网络的收敛性,我们对收益率数据进行归一化处理,采用MATLAB的premnmx函数,将收益率数据变成的取值为(-1,1)之间的数据。网络训练和仿真完成后再采用MATLAB的postmnmx函数将数据反归一化变成实际需要的收益率数据。 1.网络结构设计 神经网络结构设计主要需要确定输入输出的节点数、网络层数、隐层节点数等。由于上证综指收益率数据具有混沌特性,根据 《证综指日收益率的混沌特性》这个论文得相空 其中取时间延迟τ=25,嵌入维数m=12。网络的输入节点数取嵌入维数12,将作为输入。网络的输出节点数取1,目标输出 为。 网络层数:1989年Robert Hecht-Nielson证明了对于任何在闭区间内的一个连续函数都可以用一个隐层的BP网络来逼近,因而一个三层的BP网络可以完成任意的N维到M维的映射。基于以上定理我们一般选取一个隐层的BP网络就可以了。增加层数主要可以更进一步的降低误差,提高精度,但同时也使网络复杂化,从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加隐层中的神经元数目来获得,其训练效果也比增加层数更容易观察和调整。 隐层神经元的选取:隐层神经元的作用是从样本中提取并存储其内在规律,每个神经元有若干个权值,而每个权值都是增强网络映射能力的一个参数。网络训练精度的提高,可以通过采用一个隐层,而增加其神经元数的方法来获得。这在结构实现上,要比增加更多的隐层要简单的多。 那么究竟选取多少个隐层节点才合适?神经元数量太少,网络从样本中获取信息的能力就差,不足以概括和体现样本规律;神经元数量过多,又可能把样本中非规律性的内容,如噪声等也学会记牢,从而出现所谓“过度吻合”问题。因此,如何确定一个适当的神经元个数是我们要着重考虑的问题。Gorman曾认为隐点数s与模式数N的关系为s=log2N,但大多数情况并非如此,网络修剪与增长方法都是根据网络收敛性能的好坏来决定隐点节数的增减,不仅具有很大的盲目性,而且是很费时间的过程。江苏理工大学信息科学研究所的高大启教授在他的论文《有教师的线性基本函数前向三层神经网络结构研究》中给出了三层网络的隐点数经验公式,其中,s为隐点数,m为输入节点数,n为输出节点数。在实际应用,由这个公式确定的隐点数效果较好。本文中m=12,n=1,求出隐层节点数s=7。 网络激活函数的选取:由于归一化后的数据的取值范围在(-1,1)之间,所以本文采用双曲正切S型函数 网络的训练方法:采用将附加动量法和自适应学习率法结合起来使用的改进的BP算法。 2.网络训练与仿真 本文运用MATLAB程序对上文设计好的神经网络进行训练,训练样本区间选择日-号,共2466个大盘每日涨幅,如图1.10。 将训练好的神经网络模型用于仿真号-号的大盘每日涨幅,共375个数据。得到的预测值与真实值见附录,图形见图1.11。 图3.2 神经网络预测值与真实值图 四、 总结和展望 目前,非线性经济学在资本市场定价方面的研究仍在不断发展中,研究热点主要集中在两个方面:一是对股票价格是否存在非线性甚至是混沌的诊断研究;二是试图建立非线性模型来研究股票价格定价及其变动。迄今为止。资本市场上存在非线性的现象得到较广泛的实证支持。但是否存在混沌,还存在较多的疑问,并没有得到最终的定论。但无论如何。非线性经济学对传统经济学基础的挑战是不容忽视的,它为资本市场定价的研究开辟了一个新的视野,使资本市场的定价行为的研究更接近这种行为本身的真实状况。因此,它在很大程度上预示着资本市场定价理论的未来发展的一个方向。 参考文献: [1]陈其安,杨秀苔:中国股市的收益分布特征[J]. 统计与决策. 0-112 [2]杜修立:涨跌幅限制对中国股市结构及有效性的经验分析[J]. 财经问题研究. -58 [3]杨再斌:我国证券市场股价运动非线性特征检验[J]. 上海立信会计学院学报. -83 [4]葛哲学孙志强:神经网络理论与matlab2007实现[M]. 电子工业出版社. 2008年5月 [5]黄诒荣:中国股市分形结构:理论与实证[M].中山大学出版社. 2006.3月 [6]Martin T. Hagan、 Howard H. Demuth Mark H. Beal.神经网络设计[M]. 机械工业出版社. 2002.9 [7]高大启:有教师的线性基本函数前向三层神经网络结构研究[J]. 计算机学报. -86
转载请注明来源。原文地址：
【xzbu】郑重声明：本网站资源、信息来源于网络，完全免费共享，仅供学习和研究使用，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息。
xzbu发布此信息目的在于传播更多信息，与本网站立场无关。xzbu不保证该信息（包括但不限于文字、数据及图表）准确性、真实性、完整性等。
