神经网络的优势精选(九篇)

前言：一篇好文章的诞生，需要你不断地搜集资料、整理思路，本站小编为你收集了丰富的神经网络的优势主题范文，仅供参考，欢迎阅读并收藏。

第1篇：神经网络的优势范文

关键词：图像识别；不变矩特征值；L-M算法；BP神经网络

中图分类号：TP183 文献标志码：A 文章编号：2095-2945（2017）19-0001-03

引言

随着图像识别技术的不断发展，应用于图像识别技术领域的算法也在不断优化升级，人工神经网络算法作为一种高度非线性的智能自适应算法，在图像识别领域中的应用越来越广泛。基于人工神经网络实现图像识别的主要特点是构建分类器，将预处理后图像样本中提取出来的特征量输入神经网络，经过自学习和自组织，不断地训练，最终达到能够稳定正确识别图像的状态。[1]本文识别车牌号为例，对基于L-M算法及不变矩特征值优化的神经网络进行研究和实验。

1 图像预处理

1.1 倾斜校正及灰度处理

实际图像实时采集系统得到的图像质量参差不齐，本文采用方差公式推导法进行图像校正。该方法基于正置图像的投影图像边缘点的方差最小的原则来确定倾斜角度，具有较好的校正效果[2]。通常灰度处理方法有平均值法，最大值法和加权平均值法。平均值法和最大值法一定程度上淡化了图像中目标物与背景分界，对后续边缘检测会产生影响，本文选用加权平均值法，通过最优权值的选择，能够获得较好的处理效果。计算公式为：

式中，WR=0.59，WG=0.30，WB=0.11，此权值设置能获得最佳灰度图像。[3]

1.2 图像分割及卡尔曼滤波

获得灰度图像后，通过Ostu算法确定合适的分割阈值，当像素点灰度值超过阈值，将该像素点灰度值赋值为255，否则赋值该像素点灰度值为0，由此得到二值图像。在分割过程中会产生高斯白噪声，采用卡尔曼滤波的方法进行滤波。[4]

2 图像特征提取

2.1 不变矩特征值提取

图像特征提取可以从基于图像颜色的统计特性、图像形状和图像纹理特征这些方面入手。为了克服图像旋转、平移导致的图像特征提取误差较大的情况，本文采用形状不变矩来提取图像熵矩阵的特征，作为神经网络的输入层参数。

根据不变矩理论，定义图像f（x，y）的p+q阶中心矩为：

由计算得到的单元熵组成熵矩阵，n表示网格分辨率。熵矩阵中包含着局部和全局的图像信息，从熵矩阵中提取不变矩特征值。[5]

2.2 灰度共生矩阵特征提取

在图像f（x，y）任取一点组点对，偏移量为（a，b），点（x，y）处灰度值为i，点（x+a，y+b）处灰度值为j，固定（a，b），通过点对在图像上的移动获得不同的点对的灰度值（i，j），由于经过二值化以后灰度等级为{0，255}，故得到的（i，j）组合共有4组，统计整幅图中每一种点对灰度出现的频数，归一化后得到[Pij]灰度共生矩阵。由此获得对比度，相关性，能量，逆差矩，分别为Con，Cor，Ene，Hom。[6]

综合从熵矩阵中提取的7个不变矩特征值和依据灰度共生矩阵得出的4个参数，构成用于进行识别的图像特征向量，作为神经网络输入层参数。表示为

3基于L-M算法的BP神经网络

3.1 L-M算法概述

BP神经网络算法基于误差梯度下降标准，通过实际输出与期望输出的误差来调整连接权值使之达到最优。但通常情况下，BP神经网络存在学习速率慢，容易陷入局部最小值等问题[7]。作为优化算法之一的L-M算法是梯度下降法与高斯-牛顿法的结合，利用了近似的二阶导数信息，具有快速收敛，准确度高的优点，本文尝试将其与神经网络算法结和用于图像识别。

3.2 原理及实现步骤

4 实验仿真及结果分析

本文以车牌识别为例。在试验中，选取了数字0-9、英文字母A-Z及车牌上常见的30个汉字共66个字符，每个字符50张训练样本图片进行训练。由于车牌号由不同字符组合而成，在图像处理过程中，进行了字符分割和图像增强，为具体字符的识别提供分类基础。经过训练后，将50张测试图片输入神经网络进行测试。经过测试，识别率能达到98%以上，且识别速度快，性能明显优于传统BP神经网络。

4.1 图像预处理

灰度处理选择的标准是经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别，处理结果如图2。图像二值化处理，结果如图3。

可以通过求梯度局部最大值对应的点，并认定为边缘点，去除非局部最大值，可以检测出精确的边缘。一阶导数的局部最大值对应二阶导数的零交叉点，这样通过找图像强度的二阶导数的零交叉点就能找到精确边缘点，如图4。

对图像做了开运算和闭运算，闭运算可以使图像的轮廓线更为光滑，它通常用来消掉狭窄的间断和长细的鸿沟，消除小的孔洞，并弥补轮廓线中的断裂，如图5。

对水平投影进行峰谷分析，计算出车牌上边框、车牌字符投影、车牌下边框的波形峰上升c、峰下降点、峰宽、谷宽、峰间距离、峰中心位置参数，如图6。

通过以上水平投影、垂直投影分析计算，获得了车牌字符高度、字符顶行与尾行、字符宽度、每个字符的中心位置，为提取分割字符具备了条件。

4.2 训练库的准备

通过预先的图像识别提取，得到部分数字与汉字的训练库，如图7。

在车牌识别的过程中数字库的建立很重要，切割出来的数据要与数据库的数据作比较，只有数字库准确才能保证检测出来的数据正确。

4.3 车牌的识别

进行车牌识别前需要使用样本对神经网络进行训练，然后使用训练好的网络对车牌进行识别。其具体流程为：使用汉字、字母、字母数字、数字四个样本分别对四个子网络进行训练，得到相应的节点数和权值。对已经定位好的车牌进行图像预处理，逐个的特征提取，然后从相应的文件中读取相应的节点数和权值，把车牌字符分别送入相应的网络进行识别，输出识别结果，如图8。

5 结束语

基于神经网络的图像识别具有广阔的前景，随着对识别质量和识别效率要求的不断提高，用于识别的算法也在不断更新和优化。基于L-M算法的BP神经网络在识别速率和精度方面有着巨大的优势，但是限于计算量较大这一问题，在一些特征向量较多或内存较小的设备中难以适用，而图像识别所需要的特征量往往又较多，为此进一步研究特征量提取方法的优化和高性能运行设备是图像识别进一步发展的关键。[8]

参考文献：

[1]牛博雅，黄琳琳，胡健.自然场景下的车牌检测与识别算法[J].信号处理，2016（07）：787-794.

[2]曾晓娟.一种基于神经网络的图像识别算法[J].电脑知识与技术，2015（17）：171-174.

[3]江伟.机器视觉图像中目标识别及处理方法研究[D].华北电力大学，2015.

[4]李康顺，李凯，张文生.一种基于改进BP神经网络的PCA人脸识别算法[J].计算机应用与软件，2014（01）：158-161.

[5]张泽琳，杨建国，王羽玲，等.煤粒图像识别系统的设计与实现[J].煤炭工程，2011（02）：17-19.

[6]孙君顶，毋小省.基于熵及不变矩特征的图像检索[J].光电工程，2007（06）：102-106+115.

第2篇：神经网络的优势范文

Abstract： The paper puts forward the optimization method of fractional linear neural network based on genetic algorithm. It firstly optimizes the weight of fractional linear network by using genetic algorithm， and then， on the basis of genetic improved result， trains fractional linear network by fractional linear network back propagation （BP） algorithm， and gets the optimal weights of network. It is applied to build the fractional linear neural network model based on genetic algorithm for predicting the gas-oil ratio of original oil. The Comparative experiments show that the fractional linear neural network optimization method based on genetic algorithm is a kind of new modeling method.

关键词： 遗传算法；分式线性神经网络；预测模型；原油气油比

Key words： genetic algorithm；fractional linear neural network；prediction model；gas-oil ratio of original oil

中图分类号：TP183 文献标识码：A 文章编号：1006-4311（2013）28-0221-02

0 引言

BP网络是一种应用最为广泛的前馈神经网络。但是BP网络收敛速度慢，易陷入局部极小。遗传算法是一种自适应全局优化概率搜索算法，具有较强的鲁棒性，可以与BP网络结合避免其陷入局部最小。一些学者对BP网络进行了优化和改进，如吴清佳等[1]采用VC维方法确定网络结构，再用BP算法和基本遗传算法对暴雨量进行预测分析；张少文等[2]尝试用GA-BP算法建立了黄河上游降雨-径流神经网络预测模型。

由相关数学概念可知，线性函数的倒数是分式线性函数。文献[3]证明了分式线性神经网络具有比常见BP网络更强、更广泛的逼近能力。但是，分式线性网络反向传播（BP）学习算法也有不收敛或易陷入局部极小的可能。本文结合GA和分式线性网络BP算法的特点构建了基于遗传算法的分式线性神经网络模型并用于原油溶解气油比预测。仿真结果表明，这一模型可以用来预测原油气油比，因而基于遗传算法的分式线性网络可行有效。

1 分式线性网络神经网络模型拓扑结构

分式线性网络是具有m（m？叟3）层的前向神经网络，包括1个输入层，1个或1个以上的隐含层和1个输出层。

本文神经网络优化模型采用3层分式线性网络，即1个输入层，1个隐含层和1个输出层，其中隐含层神经元的输入函数是分式线性函数。

根据有关文献和溶解气油比实验结果，压力、温度、气体相对密度、原油重度与原油溶解气油比之间存在一定的非线性函数关系。本文把压力、温度、气体相对密度以及原油重度这4个参量作为网络的输入节点，气油比这个参量作为输出节点。因此，输入层节点个数为4，输出层节点个数为1。决定隐含层的神经元数量的选取多是通过实验不断调整数量和经验公式选取。根据本文设计思想和实验反复计算测试，设计输入层神经元数目为n，输出层神经元数目为1，隐含层神经元数目为（2n+1）=2×4+1=9。

2 基于遗传算法的模型初始权值优化设计

2.1 基本思想 为加快分式线性网络BP算法收敛速度，避免陷入局部极小，本文先对模型初始的权值、阈值编码，构成初始种群，然后借助遗传算子生成下一代种群，对种群中的最优个体解码后得到的权值做出评价，如果满足遗传算法性能指标，则输出此最优权值，否则继续遗传算法操作，直至某一代的种群最优个体满足性能指标，并输出对应的权值、阈值。此时得到的权值阈值是遗传算法优化后的分式网络初始解，再把得到的优化权值再传赋给分式线性网络再做进一步的优化。

2.2 设计方法

2.2.1 编码方法 本文遗传算法采用实数编码方法。将分式线性神经网络的权值和阈值按先后顺序级联为一个长串，串上的每一个位置对应着网络的一个权值和阈值，并用一个向量？孜表示：？孜=[W1，W2，B1，B2]（1）

其中，W1为输入层神经元与隐含层神经元连接权值，W2为隐含层神经元与输出层神经元连接权值，B1为隐含层神经元阈值，B2为输出层神经元阈值，

取隐含层传递函数？椎（t）=■，设输入学习样本共有M个，记为Xp=（x■，x■，…，x■），p=1，2，…，M，对应的样本输出为Y■=（y■，y■，…，y■），p=1，2，…M，W■■，是对应第p个样本的输入层与隐含层神经元连接权值，W■■是对应第p个样本的隐含层与输出层神经元连接权值，B■■对应第p个样本的隐含层神经元阈值，B■■对应第p个样本的输出层神经元阈值。网络在学习样本下的实际输出为

■■=W■■■+B■■，p=1，2，…M

（2）

定义适应度函数的形式为：f=■=

1/■Y■-W■■■+B■■（3）

2.2.2 遗传操作 ①选择算子：采用基于正态分布序列选择的选择算子。②交叉算子：采用算术交叉算子。③变异算子：采用基于非均匀变异的变异算子。④进化代数：T=300。

3 模型构建

以东营市利津油田34口油井建立神经网络预报模型，对这些油井的溶解气油比作为分析对象，分别通过遗传算法进化分式线性网络模型和采用L-M训练算法的BP网络模型对比进行训练学习，对34口油井中的28个样本作训练样本建模，训练后的网络预测剩余6口油井的气油比，进而实现从输入段到输出端的非线性形式下的映射，预测6个测试样本的原油溶解气油比。（表1）

4 仿真实验

本文提出结合遗传算法的分式线性网络BP算法模型对滨南采油厂利津油田34个数据进行仿真实验。为构建分式线性函数，固定点取（a1，a2，a3，a4）=-1，由于设定输入层神经元个数为4，则隐含层神经元输入函数（分式线性函数）为I=■W1■（4）

其中W1为输入层神经元与隐含层神经元连接权值，xi为输入变量。

分式线性网络隐含层传递函数为Sigmoid函数？椎（t）=1/（1+e-t），输出层传递函数为线性函数L（t）=t，最终训练目标e=0.001，样本数目M=28，训练次数为1000。遗传算法的初始种群规模N=50，最大进化代数T=300。为对比仿真结果，同时对采用L-M训练算法的三层BP网络做仿真，输入层节点数为4，输出层节点数为1，隐含层节点数为10，训练函数为trainlm，训练目标？着=0.001，训练次数为1000，其余均取默认值。

GA优化结果：最大适应度f=26.2544，得到的权值阈值是矩阵形式：？孜=[W9×4，W4×9，W9×1，W4×1]其中，各个变量的定义同前述。

从表2可以看出，本文优化算法需要213步达到训练误差要求，而改进BP算法需要24步就达到要求，本文算法训练步数较长。

由表3可见，基于本文优化算法的模型可以预测原油气油比，其整体预测气油比的精度与基于改进BP算法的模型效果接近，因而本文优化算法预测数据是可行有效的。

5 结束语

本文将遗传算法和分式线性神经网络相结合用于原油气油比的预测，这对原油物性分析提供了一个借鉴和参考。下一步需要充分考虑其他因素的影响并不断改进模型，同时调整好GA算子和分式线性网络的参数以便提高预测的精确度和时效。

参考文献：

[1]吴清佳，张庆平，万健.遗传神经的智能天气预报系统[J].计算机工程，2005，31（14）：176-177，189.

第3篇：神经网络的优势范文

关键词：无人机 神经网络 控制技术

中图分类号:TP183 文献标识码：A 文章编号：1007-9416(2012)07-0010-01

无人机的核心部分是飞行控制系统。无人机进行自主飞行时,控制系统需要有效地对姿态回路部分和水平位置、高度回路部分进行重点控制，才能保持良好的自主飞行适应性。研究表明，智能技术的发展水平在相当大的程度上决定了自主控制技术的发展水平，人工智能系统若要提高对形势的感应能力和外部环境的理解能力，并作出准确、快速反应，需要以获取信息的完整性和准确性为前提支撑。

研究表明，现代绝大多数控制理论在飞行控制系统设计的应用方面，均表现出一定的优势和劣势。

反步控制的优势在于收敛性方面表现较好，可对具有不确定性的未知扰动进行有效处理，缺点是鲁棒性表现较差。反馈线性化的优势在于设计灵活，缺点是对数学模型建立的精确性要求较高，且不能处理具有不确定性的未知扰动。采用变结构的滑模控制技术优势在于响应快捷，且所建数学模型的精确性要求不高，对外部不确定性扰动反应不敏感，缺点是需要进一步提高抖振现象的解决能力。在计算机技术和人工智能技术的发展带动下，人工智能应用于无人机控制系统已具备一定的技术基础，特别是神经网络技术，因其具有良好的学习和推理能力，所以应用最为广泛。本文以无人机的飞行控制应用为中心,重点分析了神经网络技术应用于智能控制的最新成果，为今后的深入研究提供一定的基础支撑。

1、神经网络PID控制技术

PID控制器鲁棒性表现较好，结构相对简单，广泛应用于典型无人机控制系统设计中。但是经典PID对于具有非线性特性的多变量系统，其处理能力较差，不能有效提升系统的抗外扰能力，特别是系统参数变化摄动时，其鲁棒性表现较差，致使系统的飞行动态控制能力较差。近年来，以神经网络智能控制技术的快速发展为支撑，神经网络智能控制技术开始和常规PID控制相融合，优化形成了两种类型的神经网络PID控制器。一种为神经元网络PID控制器，该控制器在传统PID控制器的基础上，融合加入了一个神经元网络控制器，对PID参数进行优化确定;另一种是单神经元PID控制器，它用神经元输入权值跟PID参数进行一一对应，该输入值为经比例、积分、微分处理后的偏差值。

1.1 采用神经元网络确定PID控制器参数

神经网络控制器通过对被控对象建立反向模型，构成前馈控制器。神经网络控制器首先学习PID控制器的输出，而后在线进行调整，尽量使反馈误差趋零化，逐步提升自身在系统控制中的主导作用，最终替换反馈控制器的相应作用，但PID反馈控制器继续存在，没有消失。当系统受到外部干扰扰动时，PID反馈控制器可继续发挥作用。采用神经元网络确定PID控制器参数的技术实际上是一种前馈加反馈的特殊控制技术，该技术在提高了系统精度的情况下，同时提高了系统的自适应能力，增强了系统的控制稳定性，改善了控制系统的鲁棒性能。其典型控制原理如图1所示

1.2 单神经元PID控制

该种类型的自适应控制器依靠调整加权系数完成自适应和自组织，采用有监督Hebb学习规则对加权系数进行调整。单神经元PID控制器采用具有明确物理意义的算法组织学习，结构也较简单，在环境变化适应性方面，呈现出较好的鲁棒性。其劣势在于由于该种类型控制器为单神经元结构，因此不具备任意函数逼近的能力。

2、自适应神经网络控制技术

针对任意一个非线性连续函数，人工神经网络因具有较强的自学习能力，所以能以任意精度要求逼近，且能够完成并行处理，实现万能函数逼近功能。与传统查表法对比,人工神经网络进行计算时间较短，且不需要大内存容量，在对相邻两个训练点之间的点进行插值计算时，不需要额外的计算消耗。相比典型的自适应线性控制器，研究表明，人工神经网络能够获得较好的期望性能，表现出相对较高的自适应非线性控制能力。人工神经网络能够实现对非线性对象的有效控制，对不确定对象的有效控制，且抗环境干扰能力较强，因此特别适合于实现自适应自主飞行控制。

人工神经网络应用于自适应飞行控制的基本原理为:对飞行器模型进行近似线性化处理，尔后对该控制器添加人工神经元网络,通过逆转换完成非线性控制功能，对飞行中的动态误差，自适应消除其影响，有效提升系统响应。该种类型的神经网络控制器通过在线提升自适应能力,在一定程度上改善了风洞数据依赖度，对动态先验知识的需求也进一步降低,从而减少了飞行控制系统的研发费用。

3、结语

研究表明，常规PID控制器虽然结构较简单，可靠性能表现较好，呈现出良好的鲁棒性，但其缺少自学习、自组织、自适应的能力，这些能力恰恰是神经网络控制器的智能优势。但神经网络也具有一定的缺点，表现为收敛速度较慢，个别情况下不能搜索到全局最优解等。神经网络利用自身较强的并行处理能力和自然容错特性，对非线性飞行系统能够进行较好的智能处理，有效降低了逆误差，可以精确获取无人机控制模型，鲁棒性表现优异。

目前，已在无人机上进行应用的神经网络算法主要是与PID算相融合的智能算法。今后，将自适应控制和神经网络智能控制相结合的控制算法将逐步进入飞行控制实践技术行列,从而大副提升无人机应对不确定环境和复杂问题的能力,真正实现自主飞行。

参考文献

第4篇：神经网络的优势范文

神经网络引入预测领域使预测理论及方法产生了质的飞跃。传统的线性预测方法，如自回归（AutoRegressive， AR）模型、滑动平均（Moving Average， MA）模型等在解决非线性严重的预测问题时遇到很大困难，而神经网络在非线性预测方面有着独特的优势，它不需要建立复杂的非线性系统的显式关系及数学模型，通过数据样本训练即可提取数据特征和内在规律，实现信息的分布存储，产生联想记忆，从而对未经训练的样本能够给出外推的预测效果，为非线性预测提供了强有力的工具。

1987年，A.Lapedes和R.Farber首次利用神经网络对非线性时间序列进行预测，开创了神经网络应用于预测领域的先河[1]。之后，神经网络在预测中的应用得到快速发展。近年来，小波神经网络作为一种新颖的神经网络日益受到关注，它兼有小波函数时频局部特性和神经网络函数逼近和泛化能力，在预测领域具有强大的优势。

目前，神经网络预测形式主要有两种：趋势预测与基于因果关系的回归预测，分别对应时间序列预测和多元回归预测。神经网络具有分布式、联想、记忆和很强的泛化能力，以及自学习和容错性，可以以任意精度逼近非线性函数等优点，是线性预测方法无法比拟的。对于大多数预测对象，尤其是含有非线性关系的数据，使用神经网络预测都会得到更高的预测精度。

但是，神经网络应用于预测中存在如下问题：网络结构的设计目前尚无确定的理论依据；预测结果有随机性；机理缺乏透明度；初始参数难确定；存在过度拟合现象；易陷入局部极小等。其中大多数问题需要以实验效果为依据进行确定，利用统计方法对预测结果进行评价，或采用试凑法找出网络“最佳”参数进行下一步预测[2]。

在上述问题中比较突出的问题是神经网络预测结果的随机性，小波神经网络也不例外，即多次预测结果不同，有时分散性很大，即神经网络的预测精度具有不可控性质。对此，在目前的文献中鲜有介绍。本文针对小波神经网络给出一种简单、实用的确定的预测方法，可以获得稳定的预测结果。

1预测结果的不确定因素

对神经网络预测模型进行的大量实验表明：网络初始参数对预测结果的影响举足轻重[3-4]。当网络结构确定后，即网络输入层、隐层、输出层神经元个数，以及学习速率、训练精度等确定后，预测结果取决于网络的初始参数值。初始参数包括网络权值、阈值，对于小波神经网络还包括平移因子和尺度参数。

神经网络的初始参数通常都设为[-1，1]的随机数，它是导致预测结果不确定的本质原因。在网络结构确定的前提下，如果初始参数设为定值，预测结果必然是唯一的。实验表明，对常用的三层神经网络，影响最大的是网络参数的初始值，之后是训练精度、隐层神经元数、学习速率以及动量因子等。

第5篇：神经网络的优势范文

（安徽理工大学测绘学院，安徽 淮南 232001）

【摘　要】神经网络算法的收敛性和稳定性已经得到了广泛的证明，被应用在许多工业监控场合，在传统的BP神经网络预测基坑变形方法的基础上，融入了灰色算法，生成了一种新的智能化模型，以对原有方法进行优化。通过实际案例证明，新的组合模型无论在计算时间还是在计算精度方面，都显示了较为明显的优势，具有一定的经济意义和实用价值。

关键词 基坑变形；监测；灰色模型；神经网络

0　引言

随着我国社会经济的快速发展和城市规模的不断扩大，各项大型工程的建设也在蓬勃兴起，从而带动了基坑工程的快速发展。基坑工程具有面积大、深度大、造价高及施工难度大等特点，其稳定性和安全性越来越受全社会的普遍关注，因此变形预测和预报成为一项十分重要的工作。基于基坑的结构类型、组成物质的物理学性质、外力作用的多变性和不确定性，很难建立合适的确定性模型。目前用于变形预测模型有很多种，如回归分析模型、灰色系统模型、神经网络模型等。本文针对灰色模型和神经网络模型进行改进，以期提高基坑变形测量的准确性，更好的保障工程施工的安全。

1　灰色神经网络模型

1.1　BP神经网络

神经网络结构分为多种，本设计选取了BP神经网络作为研究对象，它属于一种前馈型神经网络，目前应用较为广泛，已经成为了一种成熟的优化模型。BP神经网络不但有输入层节点(单元)、输出层节点，而且还有一层或多层隐含层节点，层与层之间多采用全连接方式，但同一层之间的节点不存在互相连接。该模型流程如下：

第一阶段，正向传播过程: 输入层神经元通过接受外界的输入信息，并传递给中间层神经元，中间层神经元负责前后层之间的信息交换，并确定出中间层设计的隐含层的数量，最终将信息传到输出层并输出显示结果，完成一次正向传播处理过程。

第二阶段，反向传播过程: 主要用于误差调整，当预测结果同预期差距过大时，误差通过输出层，通过采用误差梯度下降的方式来调整各层权值，并向隐含层、输入层逐层反向传播。

以上两个过程不断循环往复，可在很短的时间内完成整个寻优过程，收敛性良好，并可保证将输出误差降低至最小。当然，从另一角度考虑，为了防止算法陷入无限循环中，可预先设定学习次数，当模型运算次数达到预定值时，无论是否达到预期精度，都会终止模型并输出结果。

1.2　灰色神经网络组合模型

灰色神经网络的组合预测模型是将灰色GM（1,1）模型和BP 神经网络模型相结合，并充分发挥灰色系统和BP神经网络模型各自的优势，实现两者优势互补，从而提高计算精度和运算能力，更好地解决实际工程中复杂的不确定问题。具体实施步骤如下:

（1）采用灰色GM（1，1） 模型对原始时序数据序列{x（0）（i）},i=1，2，…,n进行预测，获得拟合数据x’（1）（i）。

（2）求出残差序列e（0）=x（0）－x’（0）,i=1,2,……,n，这里可取e（0）（i－3），e（0）（i－2），e（0）（i－1）作为BP神经网络的输入，e（0）（i） 作为网络的输出，从而获得BP神经网络修正后的残差序列e’（0）（i） ，则组合模型的最终预测结果等x’（0）（i）+e’（0）（i） 。

采用BP 神经网络进行残差修正的预测模型流程，如图1所示。

2　实例分析

某大型工程基坑开挖深度11m～14m，基坑工程类别为一级。该场地地下水类型主要有上层滞水、第四系松散岩类孔隙裂隙水。土层滞水主要赋存于人工填土层中，水位不连续，变化幅度大，主要接受大气降水和地表水体的补给。基坑线路东侧沿线分布有多个水塘，部分坑内有积水。水坑均为雨季雨水汇集形成，个别水坑在线路上方。基坑施工过程中，若发生较大范围的土体变形，造成边坡土体开裂，会导致水塘内积水渗入基坑，从而影响基坑施工安全。在此期间，为实时了解基坑在开挖过程中的变形情况，对该基坑进行了定期观测。其中基坑的沉降监测点位布设如图2 所示。

为了检验灰色神经网络模型在变形监测数据预测中的效果，对该基坑冠梁上监测点x－2的沉降数据数据进行计算分析。这里选取4 个月的监测数据，时间间隔为4d，共计22次数据，分别用3种模型进行预测分析。采用前19 次实测数据建立相应模型，对后3次数据进行预测，将获得的拟合结果和预测结果同实测数据进行比较分析。通过MATLAB进行编程计算，可得GM（1,1）模型拟合结果。

图3 列出了两种模型的拟合和预测情况，可以看出，灰色神经网络的预测精度明显高GM（1,1） 模型的预测精度，尤其是数据序列存在上下波动的情况下。在实际的变形监测过程中，由于许多不确定因素的存在，大多数获得的数据序列是波动的，此时我们可以采用灰色神经网络模型进行预测，可有效提高精度，并获得较满意的结果。

4　结语

本文将灰色理论和神经网络模型相结合，建立灰（下转第259页）（上接第106页）色神经优化组合模型，充分发挥两者优势，能够在小样本，贫信息及数据有波动等情况下对变形监测数据做出比较准确的模拟和预测，并具有模型简单、无需确定非线性函数和计算方便等优点，从而为变形监测的数据处理提供一种有效的方法。

参考文献

［1］张正禄,黄全义,文红雁,等．工程的变形监测分析与预报[M]．北京:测绘出版社,2007．

第6篇：神经网络的优势范文

随着社会工业化速度的不断加速，能源的竞争愈来愈激烈。生物质能源作为一种可再生的清洁能源被广泛认可，生物气化技术就是利用生物质能的一种有效手段，对经济的发展和环境的保护都起到积极作用。但是，生物气化技术是一种热化学处理技术，其工作过程十分复杂，包含着大量的不确定因素，这就需要运用生物质气化炉的智能控制系统来达到预期的控制效果。新形势下，积极运用模糊神经网络对生物质气化炉进行智能控制，是实现可靠控制效果的重要举措。

【关键词】模糊神经网络 生物质气化炉 智能控制

生物质气化过程是一项复杂化学反应过程，具有非线性、不稳定性、负荷干扰等特性，只有实行智能控制才能受到良好的控制效果。模糊神经网络作为智能研究比较活跃的领域，有效融合了神经网络和模糊理论的优点，能够有效的解决生物质气化过程中的非线性、模糊性等问题，既保证控制的精确度，又能进行快速地升降温。本文通过对模糊神经网络的内涵特征进行全面分析，阐述了基于模糊神经网络的生物质气化炉的智能控制，并通过仿真实验进行反复验证。

1 模糊神经网络的内涵功能

简而言之模糊神经网络就是具有模糊权值和输入信号的神经网络。模糊神经网络是自动化控制领域内一门新兴技术，其本质上是将常规的神经网络输入模糊信号，因而模糊神经网络具备了模糊系统和神经网络的优势，集逻辑推理、语言计算等能力于一身，具有学习、联想、模糊信息处理等功能。模糊神经网络是智能控制和自动化不断发展的产物，在充分利用神经网络的并行处理能力的基础上，大大提高了模糊系统的推理能力。

模糊神经网络是科技发展的产物，有效吸收了神经网络系统和模糊系统的优点，在智能控制和自动化发展等方面有着重要的作用，能够有效地处理非线性、模糊性等诸多问题，在处理智能信息方面能够发挥巨大潜力。模糊神经网络形式多种多样，主要包括逻辑模糊神经网络、算术模糊神经网络、混合模糊神经网络等多种类型，被广泛的运用于模糊回归、模糊控制器、模糊谱系分析、通用逼近器等方面的研究中，随着智能控制和自动化领域的不断发展，模糊神经网络广泛应用于智能控制领域。

2 基于模糊神经网络的生物质气化炉的智能控制系统

2.1 温度智能控制系统

生物质热值、给料理以及一次风量等因素变化能够影响到生物质气化炉的炉温，但是最重要的影响因素是在气化炉工作过程中物料物理和化学反应的放热和吸热。由于生物质气化工作过程中的生物质热值的变化范围较小，在实际运行中很难测量与控制，有时可以忽略不计，同时，该工作过程中存在非线性和大滞后等问题，采用传统的数学模型达不到预期测量效果，因此需要利用模糊神经网络设计气化炉炉温控制系统，不断的提高温度的控制效果。模糊神经网络首先根据当前温度以及设定温度设，主控制器对最优的生物质物料添加量进行预测，然后由副控制根据该添加量，全面跟踪控制送料速度，从而能够进行精确上料和控制炉温。模糊神经网络系统十分庞大复，其中包含了大量错综复杂的神经元，蕴含对非线性的可微分函数训练权值的基本理念。模糊神经网络具有正向传递和反向传播两个不同的功能，在信息的正向传递中，采用逐步运算的方式对输入的数据信息进行处理，信息依次进入输入层、隐含层最终到达输出层。假如在输出层获得的输出信息没达到预期效果时，就会在计算输出层的偏差变化值后通过网络将偏差信号按原路反向传回，与此同时各层神经元的权值也会随之进行改变，直到符合预期的控制效果。

2.2 含氧量智能控制系统

在生物质气化工作过程中，可燃气体的含氧量是衡量其生产质量的重要依据，能够严重影响气化产物的安全使用，因此，通过模糊神经网络实现生物质气化炉含氧量的智能控制十分重要。其含氧量智能控制系统的目的是为了合理控制可燃气体的含氧量，从而稳定气化炉的温度。但是，一次风进风量是影响可燃气体的含氧量的重要因素，所以可以把控制一次风量作为主要调节手段，有效地解决含氧量控制和炉温控制之间的矛盾，在控制炉温的前提条件下，最大程度地降低可燃气体含氧量，进而有效控制气化产物含氧量的。生物质气化炉含氧量的智能控制系统是严格运用模糊神经网络控制原理，主控制器采用温度模糊免疫 PID控制，根据炉内含氧量和温度的偏差进行推算，查找出鼓风机转速的最优状态，副控制则以此为根据，全面跟随与控制鼓风机的速度，确保鼓风机转速。生物质气化炉工作过程中的不同阶段和部件具有不同的控制要求，模糊神经网络就要充分发挥被控对象的优良性能，根据不同的控制要求，合理运用模糊神经网络控制原理对 PID参数模型中的数据信息进行在线修改，从而达到预期的控制效果。

3 基于模糊神经网络的生物质气化炉智能控制系统的仿真实验

为了验证运用模糊神经网络进行生物质气化炉的智能控制的真实效果，对生物质气化炉的温度智能控制系统进行仿真实验，并进行详细地分析。为了保证生物质气化炉能够在条件大体一致的状态下进行运行状况，仿真实验可以采用组合预测算法。首先要到某厂气化炉现场采集2000组干燥层温度数据，并且从中选取连续1500组作为仿真实验样本数据，然后对剩余500组实验样本数据进行研究，通过两组数据的分析建立预测模型。然后采用模糊神经网络对生物质气化炉的温度控制系统进行三次模拟化实验，三种不同情况下的仿真试验结果为：在无外界任何干扰的情况下，模糊神经网络控制无论在超调量还是其他方面，都比单纯的模糊控制效果好；在生物质给料量扰动的情况下，模糊神经网络控制要比单纯的模糊控制所受的影响要小很多；在发生一次风量搅动的情况下，模糊神经网络控制仍受到极小的影响。从三种不同情况下的仿真试验中可以看出基于模糊神经网络的生物质气化炉的炉温智能控制系统效果较好，具有极强的抗干扰性，能够有效地预测气化炉温度实时值，把平均误差控制在很小范围内，并且智能控制系统能实时跟踪实际温度的变化，根据实际温度的变化做出相应的变化，从而能够有效地控制气化炉温度和可燃气体含氧量。

4 结束语

总之，基于模糊神经网络的生物质气化炉的智能控制系统具有较好的控制效果，有效的解决了生物质气化过程中的一系列问题，能够十分精确地控制生物质气化炉的炉温及可燃气体的含氧量，对于保证社会经济的稳定发展以及生态环境的改善发挥了重要作用。

参考文献

[1]王春华.基于模糊神经网络的生物质气化炉的智能控制[J].动力工程，2009（09）：828-830.

[2]王中贤.热管生物质气化炉的模拟与试验[J].江苏大学学报：自然科学版，2008，29（6）：512-515.

第7篇：神经网络的优势范文

关键词：神经网络，内燃机性能，模型，自适应性

一、概述

内燃机是一个复杂、非线性、多变量、不易建模的庞大系统，同时又具有时滞和干扰等特点。因此，单纯依靠实验来研究，耗时多、费用大、更改实验条件不灵活。神经网络通过学习后，能从大量的性能测验数据中找出内燃机的性能参数与内燃机状态变量之间的隐含非线性映射关系，然后对这种关系进行展开分析研究，就能寻找改善内燃机性能的有效途径。

二、神经网络

人工神经网络是指利用工程技术手段模拟人脑神经网络的结构和功能的一种技术系统，是一种大规模并行的非线性动力学系统。导入一定的输入、输出信号值后，网络就会根据输入和输出，并结合设定的理想误差不断地调节自己的各节点之间的连接权值来满足输入和输出。

1、神经网络的基本要素（见图一）

1）一组连接，连接强度由各连接上的权值表示，权值为正表示激活，为负表示抑制。

2）一个求和单元，用于求取各输入信号的加权和。

3）一个非线性激活函数，起非线性映射作用并将神经元输出幅度限制在一定范围内（一般限制在（0，1）或（？1，1）之间），此外还有一个阈值。

图一

2、神经网络作用过程的数学式表达

式中，，…，为输入信号，，，…，为神经元k之权值，为线性组合结果，为阈值，为激活函数，为神经元k的输出。

3、神经网络的特点

1）可以充分逼近任意复杂的非线性关系。

2）具有并行结构和并行处理能力。

3）因为网络内的所有信息对各个神经元都是等势的，因此部分信息丢失或者一定的节点不参与运算，对结果均不会产生重大影响。这表现为其强大的鲁棒性和容错性。

4）神经元之间连接的多样性和连接强度的可塑性，使得其具有很强的自适应性，表现为：学习性、自组织能力、综合推理能力和可训练性的等4个方面。

三、神经网络在内燃机性能研究中的应用

1、内燃机性能研究

通过选择正确的样本数据和合理的神经网络模型，对网络进行训练后就能够很好的逼近内燃机的工作过程，从而对相关的性能进行研究和预测。

2、基于神经网络的内燃机故障诊断系统

在内燃机的一些重要部位安装传感器，通过传感器收集数据随故障持续发展的变化情况，并将数据同时加载到两组BP网络中，一组用于对故障的分类，另一组用于对故障严重程度的估计。网络训练后就能很好地定位故障并作出相应的预测。

3、内燃机可靠性与优化设计中的神经网络方法

先对零件进行可靠性分析，然后根据设计要求建立可靠性概率约束条件模型，最后用神经网络方法进行优化求解。

第8篇：神经网络的优势范文

关键词：人工神经网络 企业经济 预测

当代公司都处于剧烈的竞争之中，怎样先人一步成为了管理过程中重要的一步。怎样准确的预测企业的经济变化，也成为了企业竞争过程中的核心，只有掌握了企业未来的经济发展状况，才可以在当下采取相关措施进行有针对性的解决或者支持，进而帮助企业规避风险、增加效益。所以，人工神经网络的出现势在必得，它极大地提升了预测的效率和准确性，摒弃了旧时代的预测不准、不快、太难的先天弊端，使得企业经济预测变得具有科学性和说服力。本文以此为切入点，将人工神经网络引入企业经济预测，结合相关实际，讨论其原理和应用情况。

一、具体预测方法介绍

1.时序预测模式

当前，关于人工神经网络对企业的预测，通常选择数学函数模型，。但是因为神经网络的复杂性和拟合难度大，更多的企业选择基于神经网络的时序模型。这样的方法既能结合神经网络的优势，也可以进一步抵消由于神经网络预测带来的系统误差，使得结果更加精准。而具体方法为利用神经网络体系对时序进行数学模型建立之后，再将神经网络系统中计算出的相对误差拿出来作为一组基础数据进而进行分析，想要彻底解除误差的干扰，应该同时建立多个网络，平行的进行对比，这样还可以提升预测精准度。

2.基于软件数据处理的神经网络预测

人工神经网络的实现方法有很多种，但是不同的方法具有不同的优势，他们统一的特点都是：学术性强、具有复杂性。其中，借助于计算机的方法最为盛行。因为它快速有效，具有可操作性和普及型，跟企业经济实力没有绝对关系，大部分企业选择这一方法进行经济预测，在这其中包括软件数据、硬件技术对比等，利用软件将企业近段时间经营数据收纳后，运用拟定好的函数模型，快速的呈现出学科知识范畴下的企业经济预测结果。而硬件技术也相对操作性较难，所以在目前的状况下，绝大多数方案选择的是软件数据处理。

二、财务危机预警模型应用结果分析

人工神经系统中反复提到唯一变量分析模式，这个方法的优势在于简便、上手快、结果清晰明了、应用范畴广。这样的优点使得这个方法非常受到中小企业的欢迎。但是这一模式也有着非常大的弊端：首先，因为这个模式只关注一个参考量，所以缺乏对全局的考量和其他微弱影响因素的关注，使得结果比较主观。其次，唯一的变量会和其他变量之间产生冲突，无法准确判断多个结果间的彼此联系。最后，企业经济预测是一个需要多方面统筹的问题，仅仅使用一个变量参考缺乏说服力，需要提供详细的企业财务数据与多个变量进行平衡计算。

第一，即使唯一变量法简单易操作、方便处理数据，但是其经济预测精准度有待加强。人工神经网络是一个复杂高效的系统，必须保证数据的准确，只有在平时的财务处理过程中，根据企业自身的实际情况，将多项参考指标加入预测体系中，才可以提前知晓即将到来的经济形势变化。所以可将唯一变量法作为一项辅助手段，帮助主要的人工神经网络预测方式，双管齐下进行预测，能够取得更好的效果。

第二，因为我国国情，企业内部信息也相对缺乏真实可靠性，如果采用了唯一变量法，假使选用的变量具有有决定性意义而且企业自身容易出现纰漏，这样不仅不会取得良好的经济预测结果，反而会误导企业的发展走向后患无穷。所以应该在企业内部实行责任人员制度，即让相关责任和工作人员对应起来，让每方面的信息责任具体到人头上，有针对性的对企业内心信息进行管理，使得企业经济发展过程中每个部分都有据可依有人可查，不仅避免了相关信息的问题，而且能够帮助人工神经网络获得更准确的数据。

三、结论

经济发展的不确定性让基于人工神经系统的预测模式应运而生，其实根本不存在完全精准有效的预测方法，只不过是在以往数据的基础上结合相关实际，做出符合预期的预测，要想发挥出人工神经系统网络的优势，不仅需要不断加强企业内部管理，保证所用数据真实性可靠性，更需要企业自身开发出更多适合企业实际情况的预警措施。退一步说，企业或许根本不需要经济预测模式，他们应该注重怎样在经营管理活动中提高效率，在现有资源情况下规避相关风险，同时不影响经营状况。只有这样才能从根本上解决企业需要面对的问题，从而增强企业实力，完成更好的经济发展。

参考文献：

[1]王超，佘廉.人工神经网络在企业预警管理系统中的应用.武汉理工大学学报，2010年04期

[2]刘艳，杨鹏.基于ANN技术的企业经济预警系统的构建.暨南大学管理学院、广东金融学院工商管理系

第9篇：神经网络的优势范文

关键词： 时间序列； BP神经网络； EMD； 本征模函数； 预测模型

中图分类号：TP311.1 文献标志码：A 文章编号：1006-8228（2014）02-01-04

0 引言

时间序列是将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列分析是一种动态的数列分析[1]，出发点是承认数据的有序性和相关性，通过数据内部的相互关系来辨识系统的变化规律。常用的时间序列分析法主要是建立在回归――移动平均模型（ARMA）[2-3]之上，被用来对股价（最高价、最低价、开盘价、收盘价）及综合指数进行预测[4-5]。然而，这些经典回归分析暗含着一个重要假设：数据是平稳的。如果数据非平稳，往往导致出现“虚假回归”，严重影响预测效果。股票等金融数据是典型的非平稳时间序列，一般地说，股票价格的变化主要包括经济性因素、政治性因素、人为操纵因素、有关行业及投资者心理等多种因素的影响，各因素的影响程度、时间范围和方式也不尽相同；且股市各因素间相互关系错综复杂，主次关系变化不定，数量关系难以提取及定量分析[6]。因此，需要寻找一种好的方法来避免或减弱这些因素的影响，于是学者研究小波分析[6]和神经网络[7-8]用于时间序列分析预测。小波变换可以使非平稳数据中的有效成分和噪声呈现出各自不同的特征，但小波变换中小波基的选取会对数据去噪的效果产生很大的影响，因此利用小波变换对非平稳数据分析的方法缺乏自适应性。Zhaohua Wu[11]等人通过大量的实验，证实经验模态分解（EMD，Empirical mode decomposition）具有类似小波变换中的二进滤波器特性，通过分解、数据重组后实现了数据的去噪，汲取了小波变换优势，同时又克服了小波变换中的小波基选择难的问题。

本文将经验模态分解和BP神经网络相结合，构建了一种基于EMD-BP神经网络的预测模型，通过对中国石化股票进行预测模拟仿真，实验结果得出结论，将EMD用于时间序列的预测分析，大大降低了扰动因素的影响，提高了预测精度。

1 时间序列的BP神经网络训练

神经网络具有较强的学习能力和适应能力，在非线性系统中的预测方面得到了广泛的应用。考虑到金融数据是一类非线性较强的时间序列，本文选用BP神经网络作为预测工具。BP网络[9-10]是一种多层前馈型神经网络，其神经采用的传递函数一般都是Sigmoid（S形弯曲）型可微函数，是严格的递增函数，在线性和非线性之间显现出较好的平衡，所以可实现输入和输出间的任意非线性映射，适用于中长期的预测；逼近效果好，计算速度快，不需要建立数学模型，精度高；理论依据坚实，推导过程严谨，所得公式对称优美，具有强非线性拟合能力。目前，已经有一些比较成熟的神经网络软件包，其中MATLAB的神经网络工具箱应用最为广泛。

在网络训练中，最重要的三个参数是权值、学习率和单元数。权值可能变得很大，这会使神经元的输入变得很大，从而使得其激活函数的导函数在输入点的取值很小，这样训练的步长就会变得非常小，进而导致训练的速度下降到很小的程度，最终可能使得网络停止收敛，即网络瘫痪。因此在对网络的连接权矩阵进行初始化时，随机给定各层之间的权值与阈值的初始值比单纯地随机给定某一部分层的收敛速度更快。学习率的选择，其合理与否是网络是否稳定的关键：太高的学习率，可以减少网络训练的时间，但是容易导致网络的不稳定与训练误差的增加；太低的学习率，需要较长的训练时间。在一定的条件下，较少的单元数目往往能够提高网络的收敛速度，而较多的单元数目有可能在规定的训练长度里不能满足要求。因此，对于参数数目的选择，并没有一个固定的模型，往往根据更多的经验成分。

2.1 经验模态分解（EMD）

经验模态分解法EMD[11]是由美国NASA的黄锷博士提出的一种信号分析方法。它适合于分析非线性、非平稳信号序列，具有很高的信噪比。该方法的关键是经验模式分解，它能使复杂信号分解为有限个本征模函数（Intrinsic Mode Function，简称IMF），所分解出来的各IMF分量包含了原信号的不同时间尺度的局部特征信号。

EMD是基于以下假设条件：①数据至少有一个最大值和一个最小值两个极值点；②数据极值点间的时间尺度惟一确定局部时域特性；③如果数据没有极值点但必须有拐点，通过对数据微分一次或多次求得极值，再通过积分来获得分解结果。

2.2 数据重构

对原始数据进行EMD分解后，得到有限个IMF分量。为了降低原始数据中的非平稳性，需要对得到的各分量进行相关系数分析，筛选出有用的IMF分量，对其进行重构，以得到一个与原始数据近似的新数据进行预测实验。

数据重组的方法有多种，本文采用相关系数分析法进行数据的筛选。由于篇幅有限，关于EMD分解与重构的代码不在本文提供。

2.3 应用训练好的神经网络对合成数据预测

对于非线性系统，BP神经网络预测有着明显的优势。但是在复杂的非线性系统中，非平稳因素给预测带来了一定的困难。正是因为EMD分解降低了各个分量的平稳性[12]，才得到了广泛应用[13-15]。金融数据等时间序列随着时间，以及在多种因素的影响下会随之改变，所以数据本质上是非平稳的，因此利用神经网络对该数据进行预测，数据的平稳性使得其预测结果不是很理想，为了提高预测精度，我们用EMD方法对数据进行分解，以降低其非平稳性对预测精度的影响。然后对分解后的各分量进行相关系数分析比较，选取有用的IMF分量，进行数据的合成，从而得到一个与原始数据近似的新数据。将重组后的拟合数据输入到训练好的BP神经网络进行预测。预测过程如图1所示。

3 应用实例和分析

3.1 股票数据的BP神经网络训练

将中国石化股票从2011年6月至2011年12月共130天的股票价格数据进行样本划分。用前60天的数据来预测后5天的数据，作为网络训练集。选取剩下的60天数据预测最后的5天，作为测试集。

3.3 数据合成及预测

本文对中国石化股票数据（图3）进行EMD分解后得到4个IMF分量和1个剩余分量。对4个分量分别进行与剩余分量的相关系数分析。分析结果表明，IMF3和IMF4相关性较大，并与剩余分量的相关性也较大（相关门限值选取0.3）。所以选取IMF3和IMF4两个分量与剩余分量进行重构，得到与原始数据近似的较平滑的新数据如图9所示。

经过比较可知，对于具有非平稳强烈的股票时间序列的预测，基于EMD的BP神经网络预测要比直接BP神经网络预测更为准确。

对于非平稳的时间序列，BP神经网络预测有着明显的优势，但是对于影响因素复杂的非平稳数据，多种因素的干扰给预测带来了一定的困难。EMD分解分离了各个不同因素的相互干扰，通过对各分量单独预测再合成的处理，从而提高了预测精度。从表1可以看出最终的预测误差经过EMD分解的信号要精确于直接神经网络预测。从图4中可以看出影响信号平稳性程度最大的是IMF1，如果再对其进行分解处理，整个系统的预测精度会得到更大的改善。

4 结束语

对于非平稳的时间序列，BP神经网络预测有着明显的优势，但是对于影响因素复杂的非平稳数据，多种因素的干扰给预测带来了一定的困难。EMD分解分离了各个不同因素的相互干扰，通过对各分量分析再合成的处理，提高了预测精度。目前EMD方法主要用于模拟信号和大气数据分析[13-15]，用于金融数据预测还较为少见。本文将其与BP神经网络结合，构建了EMD-BP神经网络预测模型。从本文的预测过程和仿真结果可以看到，利用EMD分解的BP神经网络预测优于直接BP神经网络预测，相比其精确度有了明显的提高。

参考文献：

[1] 刘瑛慧，曹家琏.时间序列分析理论与发展趋势[J].电脑知识与技术，2010.2：257-258

[2] 刘佳，赵文慧，刘光荣.基于SAS的非平稳时间序列分析及实证研究[J].汕头大学学报.2010.2（1）：48-53.

[3] 李海林，郭崇慧，时间序列数据挖掘征表示与相似性度量研究综述[J].计算机应用研究，2013.5（30）：1285-1290

[4] 魏宇.中国股票市场的最优波动率预测模型研究[J].管理学报，2010.6（6）：936-942

[5] 方启东，温鑫，蒋佳静等.基于时间序列的股价预测[J].宿州学院学报，2010.8（8）：71-74

[6] 杜建卫，王超峰.小波分析方法在金融股票数据中的应用[J].数学的实践与认识，2008.7（38-7）：68-75

[7] 刘海，白艳萍.时间序列模型和神经网络模型在股票预测中的分析[J].数学的实践与认识，2011.2（4）：14-19

[8] 张媛，刘红忠.基于行为金融的神经网络模型在股票价格预测中的有效性研究[J].世界经济情况，2011.2（2）：62-67

[9] 焦淑华，夏冰，徐海静，刘莹.BP神经网络预测的MATLAB实现[J].哈尔滨金融高等专科学校学报，2009.3（97）：55-56

[10] 李萍，曾令可，税安泽，金雪莉，刘艳春，王慧.基于MATLAB的BP神经网络预测系统的设计[J].计算机应用与软件，2008.4（25-4）：149-151

[11] Zhaohua Wu， Norden E. Huang. A study of the characteristics of white noise using the empirical mode decomposition method[J].The Royal Society，2004.3（10）：1597-1611

[12] 刘慧婷，倪志伟，李建洋.经验模态分解方法及其应用[J].计算机工程及应用，2006.1（32）：44-47

[13] 徐世艳.经验模态分解的时频分析方法及其应用[J].吉林大学学报，2009.9（27-5）：487-492