基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究.pdf

1、人工神經(jīng)網(wǎng)絡(luò)（ArtificialNeuralNetworks，簡稱為ANN）是理論化的人腦神經(jīng)網(wǎng)絡(luò)的模型，是模仿大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能而建立起來的一種信息處理系統(tǒng)。人工神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)40年代，近二十年發(fā)展極為迅速，它的應(yīng)用范圍涉及到數(shù)學(xué)、工程、計算機、物理、生物、經(jīng)濟、管理等科學(xué)領(lǐng)域。本論文主要基于ANN的非線性逼近性質(zhì)，借助MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱，我們得出了如下的結(jié)果： 首先，我們實現(xiàn)了BP網(wǎng)絡(luò)（下文中簡寫

2、為BPNN）和徑向基函數(shù)（RaclialBasisFunction）神經(jīng)網(wǎng)絡(luò)（下文中簡寫為RBFNN）的建立、學(xué)習(xí)和訓(xùn)練。通過仿真實例，體現(xiàn)了ANN的非線性逼近能力，并對BPNN和RBFNN進(jìn)行比較研究，結(jié)果顯示了RBFNN具有結(jié)構(gòu)簡單、訓(xùn)練速度快，并且有比較強的抗干擾能力，能達(dá)到很好的逼近效果。體現(xiàn)了RBFNN的函數(shù)逼近能力在多方面都優(yōu)于BPNN。其次，我們把RBFNN作為一種新的回歸方法應(yīng)用到多元線性回歸模型和多元非線性回歸模型中。

3、通過實例分析，結(jié)果表明RBFNN方法用于回歸分析的擬合效果和預(yù)測效果很好而且簡單方便。最后，我們用RBFNN進(jìn)行了股票預(yù)測，通過以中國上證指數(shù)的540個交易日的數(shù)據(jù)為實驗對象進(jìn)行預(yù)測，得到了較好的預(yù)測效果。 本論文的結(jié)構(gòu)安排如下： 第1章緒論。主要是論文的研究背景以及論文的主要工作。 第2章AAN基本理論。主要是ANN概述、BPNN和RBFNN簡介以及ANN用于函數(shù)逼近的一些定理。為ANN的函數(shù)逼近能力的研究提供

4、了理論基礎(chǔ)。 第3章BPNN和RBFNN函數(shù)逼近仿真。主要是利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱，把BPNN和RBFNN應(yīng)用于函數(shù)逼近的設(shè)計及仿真。 第4章RBFNN模型與多元回歸模型。主要是RBFNN方法解決多元線性回歸和多元非線性回歸問題，并對傳統(tǒng)回歸方法和RBFNN方法在實際應(yīng)用中進(jìn)行了比較研究。 第5章RBFNN模型對股票市場價格進(jìn)行預(yù)測。ANN可以看成是一個具有自學(xué)習(xí)功能的“黑箱”，在處理無法精確建模的問題上