支持向量機(jī)與RBF神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)預(yù)測(cè)模型的應(yīng)用.pdf

1、人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks)是一種基于計(jì)算機(jī)軟件實(shí)現(xiàn)的一種信息處理系統(tǒng)。但其實(shí)質(zhì)是模擬人類大腦神經(jīng)元的記憶、聯(lián)想以及反射等功能而抽象出來的數(shù)學(xué)模型。人工神經(jīng)網(wǎng)絡(luò)的誕生以及發(fā)展，為現(xiàn)代非線性數(shù)據(jù)分析的發(fā)展提供了一條新的途徑。人工神經(jīng)網(wǎng)絡(luò)有著廣泛的應(yīng)用領(lǐng)域，包括函數(shù)逼近、回歸分析、模式識(shí)別與數(shù)據(jù)分類、聚類、預(yù)測(cè)、診斷以及過程控制等各行各業(yè)的各種領(lǐng)域。憑借著其較強(qiáng)的自適應(yīng)能力、自組織性能力以及容錯(cuò)性成為

2、近代機(jī)器學(xué)習(xí)以及智能系統(tǒng)領(lǐng)域的研究熱點(diǎn)之一。
　　 本文的主要研究?jī)?nèi)容是徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)的算法改進(jìn)及其在股價(jià)預(yù)測(cè)方面的應(yīng)用。首先，文中在對(duì)前人研究成果的總結(jié)以及對(duì)比的基礎(chǔ)上，介紹了支持向量機(jī)(Support Vector Machine，SVM)和RBF神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀，全面地分析研究了SVM和RBF神經(jīng)網(wǎng)絡(luò)的理論、結(jié)構(gòu)、算法以及應(yīng)用，并且給出主要算法的數(shù)學(xué)推導(dǎo)過程。

3、r>　　 其次，根據(jù)兩種算法的優(yōu)勢(shì)與不足，提出了一種基于最小二乘支持向量回歸(LeastSquares Support Vector Regression，LSSVR)算法改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)，首先建立最小二乘支持向量回歸模型，應(yīng)用改進(jìn)的共軛梯度算法求解出的支持向量作為網(wǎng)絡(luò)中心，并用支持向量的個(gè)數(shù)確定RBF網(wǎng)絡(luò)的隱層節(jié)點(diǎn)數(shù)目，從而構(gòu)造出RBF神經(jīng)網(wǎng)絡(luò)較優(yōu)的初始結(jié)構(gòu)和網(wǎng)絡(luò)參數(shù)，再用梯度下降法微調(diào)網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)性能達(dá)到最優(yōu)。