基于前馈神经网络的我国股市宏观多因素模型探讨

本文针对传统多因素模型的两个重要步骤：模型形式设定和变量选择问题，结合我国股市的特点，利用前馈多层神经网络和层次贡献分析方法相结合，建立了影响我国股市的宏观多因素模型，并进行了实证研究，证明了该方法的有效性。     

神经网络模型优化问题的研究及其应用

在研究分析多层前馈式神经网络的基础上提出了反向变量选择法，使得神经网络的高度非线性映射性能能够以尽可能少的变量实现，同时还证明了由此方法所删除的变量是对网络的输出具有最小影响的那些变量，文中还提供一个在模式识别领域的应用实例，结果令人满意。     

人工神经网络在变量选择中的应用

笔者针对综合评价建模过程中变量选取方法的局限性 ,应用神经网络原理对输出值各影响因素进行贡献分析 ,进而剔除影响不显著或不重要的因素 ,为模型建立、综合评价和决策过程中选取合适指标提供了可靠依据     

人工神经网络在变量选择中的应用

笔者针对综合评价建模过程中变量选取方法的局限性，应用神经网络原理对输出值各影响因素进行贡献分析，进而剔除影响不显著或不重要的因素，为模型建立，综合评价和决策过程中选取合适指标提供了可靠依据。     

用于AR参数估计的一种神经网络新方法

提出一种用于估计ＡＲ参数的神经网络新方法和相应的递归预测误差算法，其优点是网络结构简单，估计结果准确。使用作者所提出的方法在估计ＡＲ功率谱时具有频率偏移小，无谱线分裂等优点。仿真模拟结果表明，文中所提出的神经网络方法和相应的算法是有效的。     

基于神经网络的多维自回归模型参数估计

本文提出一种基于神经网络的多维自回模型参数估计方法，该方法采用预畸变技术，使神经网络适合于多维自回归模型参数估计，其优点是直接利用时域信息、网络结构简单，估计准确，最后给出了一些模拟结果。     

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

双变量高斯概率积分的计算

在信号处理的应用中，经常需要计算双变量高斯概率密度函数在四个象 限上的积分值。当随机变量的均值不为零时，用通常的积分方法计算这些积分的闭合形式解是行不通的，人们曾经提出过许多种数值解法，然而，这些解法的准确度都受到各种条件的制约。在本文中，用特征函数解法推导出了这个问题的闭合形式解。这个解法是以著名的合流超几何函数的形式推出的。当随机变量的均值为零时，这个解在第一象限上的积分值可简化为一个已知的结论。这个解可用某些软件包（如MAPLE）来解。     

单机场区域旅客流失的模型及变量研究

机场旅客流失是指在某一单机场区域内的旅客放弃使用所在地的机场或最近的机场,而选择较远的但较大枢纽机场的现象.本文的研究主要在两个方面,一个是考虑单机场区域旅客流失的模型,另一个是单机场区域旅客流失的变量,分析模型的构建和变量的设定,为单机场区域提供一个分析旅客流失的方法,并为机场管理提供有效帮助.     

概率神经网络回归,判别与聚类

本文基于相同结构的概率神经网络，提出了使其具有回归、判别与聚类功能的不同权重学习算法以及通用变元最优选择方法。该网络具有结构和学习算法简单、收敛速度快、易于软件模拟实现等优点，并可方便地应用于预报、控制、决策等领域。     

神经网络在路面使用性能评估中的应用

应用神经网络BP算法原理，建立评估路面状况指数PCI的模型。通过平整度和路面破损率数据的学习，预测了路面破埙指标PCI，并把神经网络模型和回归模型进行了比较，证明了神经网络模型在路面使用性能评估中有更好的应用前景。     

通过交叉验证准则选择线性模型

考虑建立在交叉验证准则基础上线性回归模型的选择问题．我们对原来的交叉验证准则进行改进,通过增加惩罚函数来解决交叉验证过程中模型过度拟合问题,从而提出一个新的模型选择准则．在一定的假设条件下,新准则确定的模型具有强相合性并且在样本容量充分大时能得到最小的真实模型．在本文中,我们将证明新准则确定的模型在一定条件具有强相合性,并给出一般条件下模型选择准则。     

基于边权重图神经网络的一阶逻辑前提选择

为提高自动定理证明器在大规模问题中证明问题的能力,前提选择任务应运而生.由于公式图的有向性,主流的图神经网络框架只能单向地对节点进行更新,且无法编码公式图中子节点间的顺序.针对以上问题,提出了带有边类型的双向公式图表示方法,并提出了一种基于边权重的图神经网络（edge-weight-based graph neural network,EW-GNN）模型用于编码一阶逻辑公式.该模型首先利用相连节点的信息来更新对应边类型的特征表示,随后利用更新后的边类型特征计算邻接节点对中心节点的权重,最后利用邻接节点的信息双向地对中心节点进行更新.实验比较分析表明：基于边权重的图神经网络模型在前提选择任务中表现得更加优越,其在相同的测试集上比当前最优模型的分类准确率高了约1%.     

基于混合自回归模型和神经网络的时间序列预测

在求出混合自回归时间序列模型的成分个数的基础上, 应用BP神经网络对时间序列进行了预测, 并对模型进行了数值模拟表明该预测模型的具有较高的精确度和广泛的应用前景.     

基于ICLV 的托运人货运服务选择行为建模

忽略托运人的认知活动对其货运选择行为的影响,将会导致模型设定错误和参数估计的不一致性.为解决这个问题,考虑托运人的认知活动对其选择行为的影响,引入潜变量的概念.建立了基于ICLV的货运服务选择行为模型,给出相应的求解步骤,并以南昌市出口集装箱运输为例进行了实证分析.结果表明,反映托运人认知活动的潜变量对其货运服务选择行为有显著影响,基于ICLV的货运服务选择行为模型比传统的Logit 模型具有更好的拟合度和解释能力,因而可以更加准确地分析托运人的货运选择行为,并为改进运输服务、制定运输政策提供理论支持.     

社交网络交通信息对出行方式选择行为影响模型

为解决社交网络交通信息对出行方式选择行为影响缺少定量描述方法的问题,基于技术接受理论,提出感知有用性、感知易用性、感知风险性等 7个潜变量作为出行者对社交网络交通信息的心理感受变量.结合个人属性变量、出行方案属性变量共同构建融合社交网络交通信息影响的出行方式选择行为混合离散模型,运用重庆市问卷调查数据进行实证分析.结果表明,混合模型优度比提升了 0.171,同时,心理感受变量中感知风险性对选择结果有负向影响,其余变量对选择结果均为正向影响,而感知有用性(0.757)、主观规范(0.646)、感知信任 (0.502)对结果影响最大.     

考虑心理潜变量的城市轨道站点接驳方式选择行为研究

本文以计划行为理论为基础框架,从出行者使用接驳工具的经验和对接驳工具属性评价两个维度分别引入出行习惯、感知态度两类潜变量,构建城市轨道站点接驳方式选择意向的多指标多因果模型,探究城市轨道站点接驳方式选择意向的影响因素及其作用路径,并在此基础上结合巢式Logit模型构建混合选择模型,探究出发端与到达端接驳方式选择行为的影响因素及其影响机理。结果表明：行为习惯潜变量直接影响接驳方式选择意向,感知态度对步行、共享单车接驳选择意向具有直接影响;显著影响接驳方式选择意向的可观测变量有学历、车辆保有情况、收入情况、接驳距离及出行人数;相较于慢行交通与道路公共交通,私人小汽车、电动车的有无对私人交通方式接驳选择行为影响较大;学历和职业等个人社会经济属性,出行目的和出行人数等出行属性,以及主观规范和行为意向等心理属性对出行者城市轨道出发端和到达端接驳方式选择行为均有显著影响;相较于到达端,出行费用、主观规范及行为态度对出发端接驳方式选择行为的影响更大,且出发端接驳方式选择对到达端的接驳决策行为具有影响。     

基于BP神经网络的预测模型

预测是数据分析的基本任务之一,传统方法对非线性数据的预测不易找到简单而有效的模型,神经网络的产生为处理非线性问题提供了一条新途径。文中运用智能计算技术建立了BP网络模型。通过珠江三角洲天河水文站的水位预测结果表明,BP网络模型有较好的泛化能力,预测更为可靠。