论文部分内容阅读
人工神经网络是从模仿生物体的角度出发,对人脑感知、学习能力进行模拟的一种神经网络系统,具有良好的非线性映射能力、自学习适应能力,在很多领域都得到了广泛的应用。目前已有很多智能优化算法用于神经网络的权值和阈值的优化,如粒子群优化算法、鱼群算法、遗传算法等,而分布估计算法是在遗传算法的基础上发展起来的一种新的种群进化算法,通过建立概率模型得到新的个体,其中PBIL算法、UMDA算法和连续域中的PBILc、MIMICc、EGNA算法在优化神经网络的权值和阈值方面具有可行性,但是分布估计算法在估计概率模型时的操作十分复杂,运算量巨大。将copula理论应用在分布估计算法中是现在研究的热点,把优秀个体的联合分布函数分解为一个copula函数和多个变量的一维分布函数,简化了建立概率分布模型的过程,提高了估计的效率和精确性。Copula分布估计算法是在整个解空间寻优的过程,具有全局搜索的特点,但是在寻找解的确切位置时有一定的困难。BP算法采用梯度下降法进行搜索,特别适用于局部地区精确解的寻找。因此本文研究了基于copula分布估计算法和BP算法的人工神经网络优化算法。本文主要研究工作有:1.用copula分布估计算法优化神经网络的权值和阈值,通过UCI数据库中的标准分类数据集进行测试,并与BP算法进行了比较,可以看到copula分布估计算法的优化效果较为稳定,但缺乏精确度。2.综合copula分布估计算法和BP算法的优点,将copula分布估计算法和BP算法结合起来,建立辅助式结合模式和协同式结合模式优化神经网络的权值和阈值,验证了两种优化模式的可行性和有效性,并且具有较好的优化结果,可以提高收敛速度和精确性。3.将copula分布估计算法与BP算法结合的两种模式(辅助式结合模式和协同式结合模式)优化的人工神经网络应用于股票收盘价的预测,并选择了上证A股大盘走势和个股潞安环能,对其进行收盘价的短期预测。