鲁棒自适应BP算法及其在股票价格预测中的应用

发布时间：2020-06-11 16:49

【摘要】： 本文从基本BP算法在应用中存在的不足出发，着重分析了训练样本中所含噪声对基本BP算法在网络训练过程中产生的不良影响，并以此为依据，采用鲁棒统计技术，同时在优化算法上做了一些有益的改进，提出一种新的具有较强抗干扰能力的BP算法——鲁棒自适应BP算法，并将其应用于动态BP网络，进行股票价格的预测，取得了较好的预测效果。 与基本BP算法相比，本文提出的鲁棒自适应BP算法具有以下优点：(1) 与鲁棒统计技术相结合，通过训练样本相对偏差的大小，确定不同训练样本对能量函数的贡献，来抑制含高噪声干扰样本对网络训练的不良影响，从而增强训练的鲁棒性，提高网络训练的收敛速度；(2) 采用相对偏差和绝对偏差两种偏差形式对权值进行调整，提高了网络的训练精度； (3)在采用梯度下降算法对权值进行调整的基础上，通过将学习速率设为训练误差及误差梯度的特殊函数，使学习速率依赖于网络训练时误差瞬时的变化而自适应的改变，从而可以克服基本BP算法容易陷入局部极小区域的弊端，使训练过程能够很快的“跳出”局部极小区域而达到全局最优。 大量仿真结果表明，本文提出的鲁棒自适应BP算法在收敛速度，收敛精度，尤其是抗噪声干扰的能力上比其他BP算法具有更好的优势。 算法的应用上，本文根据股票市场具有高噪声，高度非线性，难于精确建模等特点，将提出的鲁棒自适应BP算法应用于动态BP网络中进行股票价格的预测，，一方面通过动态BP网络实现了无需精确建模而得到系统良好特性的效果，另一方面发挥了本算法鲁棒性强的优势，克服了训练样本中高噪声对网络训练的影响，从而得到较好的预测结果。
【图文】：

北京工业大学工学硕士学位论文表 4-1 BPN 学习收敛速度比较表Table4-1 The comparison of the BP network convergent rate无干扰 dk= 0收敛速度（步数）2604直流干扰 dk= 0.1 -0.1 0.3 -0.3 0.5 -0.5收敛速度（步数）2879 2492 3534 1281 4861 2656正弦干扰 dk= 0.1sin(xk) -0.1sin(xk)0.1sin(xk)+0.05cos(xk)-0.1sin(xk)+0.05cos(xk)0.01sin(xk) -0.01sin(xk)收敛速度（步数）632 不收敛 752 不收敛 2036 3636随机干扰 dk= [0,0.1] [0,0.4] [-0.1,0.1] [-0.3,0.3] [-0.4,0.4] [-0.2,0]收敛速度（步数）5000 步内均不收敛

北京工业大学工学硕士学位论文表 4-1 BPN 学习收敛速度比较表Table4-1 The comparison of the BP network convergent rate无干扰 dk= 0收敛速度（步数）2604直流干扰 dk= 0.1 -0.1 0.3 -0.3 0.5 -0.5收敛速度（步数）2879 2492 3534 1281 4861 2656正弦干扰 dk= 0.1sin(xk) -0.1sin(xk)0.1sin(xk)+0.05cos(xk)-0.1sin(xk)+0.05cos(xk)0.01sin(xk) -0.01sin(xk)收敛速度（步数）632 不收敛 752 不收敛 2036 3636随机干扰 dk= [0,0.1] [0,0.4] [-0.1,0.1] [-0.3,0.3] [-0.4,0.4] [-0.2,0]收敛速度（步数）5000 步内均不收敛
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2003
【分类号】：TP183;F830.91

【引证文献】

相关期刊论文 前1条

1 张玉;何佳;尹腾飞;;改进的支持向量机石油期货价格预测模型研究[J];计算机仿真;2012年03期

相关硕士学位论文 前3条

1 王志勇;基于模式识别的股价趋势预测系统[D];上海交通大学;2007年

2 沈志刚;支持向量回归机在股票价格预测中的分析与应用[D];暨南大学;2007年

3 李晓静;股价预测的非线性方法研究[D];广西师范大学;2008年

本文编号：2708182