论文部分内容阅读
本文介绍了人工神经网络的一些基础知识,而且详细地介绍了两种具有动态反馈机制的人工神经网络模型, Elman网络和输出-输入反馈Elman网络,即OIF Elman (Output-Input Feedback Elman)网络,以及它们的数学模型和学习算法。考虑到股民投资的主要目的是盈利。为了提高网络的预测精度,得到更加精确的预测结果,从而获得更多的利润,本文在Elman人工神经网络的基础上,将时间收益因素引入到Elman网络的目标函数中,提出了一种改进的Elman神经网络模型—TPFENN(Time Profit Factor Elman Neural Network),并将其用于股票综合指数的预测以及股票利润率的计算和比较。为了更好地度量网络模型的预测性能,本文采用绝对平均误差(Absolute Average Error, AAE)和最小二乘误差(Least Square Error, LSE)表示网络的预测精度。实验结果表明:改进的Elman神经网络模型用于股市投资是可行的、有效的,该模型不仅可以明显提高网络的预测精度,达到快速收敛,而且还能够明显改善收益,提高股票投资的利润率,从而实现较大幅度地获得收益的目的。另外,为了控制大气污染,关心大气质量,及时、准确地预测未来大气变化、预防严重污染事件的发生,本文在输出-输入反馈Elman网络,即OIF Elman (Output-Input Feedback Elman)网络的基础上,将惩罚收益因素引入到OIF Elman神经网络模型中,提出了一种基于OIF Elman神经网络的改进模型—DPFOIFENN ( Direction Profit Factor OIF Elman Neural Network),并将其用于预测和评价长春市的大气质量。实验结果表明:引入惩罚收益因素OIF Elman模型具有极佳的逼近性能,取得了较高的拟合精度,所得到的预测数据和评价结果与实际结果基本吻合。上述结果表明:本文所提出的TPFENN和DPFOIFENN两种模型可为金融投资和大气环境预测及评价提供新的技术和方法,具有较好的应用潜能和一定的应用前景。