一種改進的RBF神經網絡及其在股市中的應用
發(fā)布時間:2020-05-10 17:14
【摘要】: RBF(徑向基函數(shù))神經網絡是90年代提出的一種具有全局收斂的非線性學習算法的前饋網絡,它已被廣泛應用于時間序列分析、模式識別、非線性控制和圖像處理等領域。隨著RBF神經網絡得到越來越廣泛的應用,也暴露出了一些急需解決的問題及難點。量子計算與神經網絡的結合是當前人工神經網絡理論研究的一個前沿課題,它為神經網絡系統(tǒng)的設計、性能的改進提供了新的研究思路。本文描述量子計算及克隆算子的基礎理論及應用,分析這兩種理論的優(yōu)越性及其用于優(yōu)化算法的可行性。結合克隆算子與量子計算機理提出的量子克隆進化算法(QCGA),將全局搜索和局部尋優(yōu)有機地結合,能有效地加快學習速度,具有較好的并行性。本文將該算法與RBF神經網絡結合來優(yōu)化RBF神經網絡的參數(shù),在綜合研究RBF網絡隱含層結構和RBF函數(shù)參數(shù)的特征和功能的基礎上,引入了一種新的RBF網絡隱層中心和輸入層到隱含層權值的編碼方法,即利用量子染色體的二進制編碼方法,該算法增加了子代變異的多樣性,提高了進化算法優(yōu)化RBF網絡的收斂速度、訓練測試精度和網絡的泛化能力。通過對不同樣本容量與量子旋轉角的實驗,將改進后的QCGA神經網絡應用于上證指數(shù)與個股片仔癀的預測分析中。并將其仿真結果與傳統(tǒng)RBF網絡及未引入量子計算的克隆算法改進的RBF網絡作了比較。從比較的結果可以看出,由量子克隆進化算法改進過的RBF網絡能更好地模擬股票價格的趨勢。
【圖文】:
代末基于生物接收域提出的一種神經網絡。RBF 神經徑向基函數(shù)作為隱單元的“基”,構成隱含層空間隱含將低維的模式輸入數(shù)據(jù)變換到高維空間內,使得在低維在高維空間內線性可分。徑向基函數(shù)對輸入信號在局號靠近函數(shù)的中央范圍時,隱層節(jié)點將產生較大的輸出逼近能力,也因為這種局部逼近性,使得 RBF 網絡具以任意的精度逼近一連續(xù)函數(shù)。結構一種三層前向網絡,包括輸入層、隱含層和輸出層(層由信號源節(jié)點組成,傳遞輸入信號到隱層;隱含層的節(jié)向對稱的基函數(shù)(徑向基函數(shù))構成,而基函數(shù)的中心到隱層的連接權向量,這是 RBF 網絡最突出的特點,問題而定;輸出層節(jié)點通常是簡單的線性函數(shù),,對輸入
【學位授予單位】:華僑大學
【學位級別】:碩士
【學位授予年份】:2009
【分類號】:F830.91;TP183
本文編號:2657631
【圖文】:
代末基于生物接收域提出的一種神經網絡。RBF 神經徑向基函數(shù)作為隱單元的“基”,構成隱含層空間隱含將低維的模式輸入數(shù)據(jù)變換到高維空間內,使得在低維在高維空間內線性可分。徑向基函數(shù)對輸入信號在局號靠近函數(shù)的中央范圍時,隱層節(jié)點將產生較大的輸出逼近能力,也因為這種局部逼近性,使得 RBF 網絡具以任意的精度逼近一連續(xù)函數(shù)。結構一種三層前向網絡,包括輸入層、隱含層和輸出層(層由信號源節(jié)點組成,傳遞輸入信號到隱層;隱含層的節(jié)向對稱的基函數(shù)(徑向基函數(shù))構成,而基函數(shù)的中心到隱層的連接權向量,這是 RBF 網絡最突出的特點,問題而定;輸出層節(jié)點通常是簡單的線性函數(shù),,對輸入
【學位授予單位】:華僑大學
【學位級別】:碩士
【學位授予年份】:2009
【分類號】:F830.91;TP183
【參考文獻】
相關期刊論文 前10條
1 莫宏偉,金鴻章;用于函數(shù)優(yōu)化的改進免疫克隆多樣性算法[J];哈爾濱工程大學學報;2004年01期
2 劉若辰,杜海峰,焦李成;免疫多克隆策略[J];計算機研究與發(fā)展;2004年04期
3 劉若辰,杜海峰,焦李成;一種免疫單克隆策略算法[J];電子學報;2004年11期
4 朱紅霞,沈炯,王培紅,李益國;基于免疫遺傳算法的模糊優(yōu)化控制及其仿真[J];東南大學學報(自然科學版);2005年01期
5 宮新保,臧小剛,范曄,周希朗;基于改進免疫算法的兩級徑向基函數(shù)網絡學習方法[J];上海交通大學學報;2004年05期
6 左興權,李士勇;采用免疫進化算法優(yōu)化設計徑向基函數(shù)模糊神經網絡控制器[J];控制理論與應用;2004年04期
7 吳成茂,范九倫;確定RBF神經網絡隱層節(jié)點數(shù)的最大矩陣元法[J];計算機工程與應用;2004年20期
8 周穎,鄭德玲,裘之亮,劉聰;一種人工免疫與RBF神經網絡結合的混合算法的應用[J];計算機工程與應用;2004年01期
9 張頂學;關治洪;劉新芝;;基于PSO的RBF神經網絡學習算法及其應用[J];計算機工程與應用;2006年20期
10 靳海水,朱士明;基于遺傳算法的徑向基網絡學習及其應用[J];同濟大學學報(自然科學版);2003年05期
本文編號:2657631
本文鏈接:http://www.sikaile.net/guanlilunwen/zhqtouz/2657631.html
最近更新
教材專著