52毕业论文初稿

发布时间：2016-11-27 16:30

本文关键词：基于增量式GHSOM神经网络模型的入侵检测研究，由笔耕文化传播整理发布。

[35]余健，郭平，基于RBF网络的经融时间序列；[36]李俊奎，时间序列相似性研究，博士论文，华；[37]谢东，张兴，曹仁贤，基于增量式GHSOM；[38]阮素梅，于宁，证券投资基金收益概率密度预；[39]谷新军，基于神经网络的移动证券数据挖掘研；[40]章兢，邹阿金，童调生，多项式基函数神经网；[41]童兆，费良俊，发现金融市场预测模型的计算；[42]周

[35]余健，郭平，基于RBF网络的经融时间序列预测[J].湖南工程学院学报（自然科学版），2007（04），2007.4，46-48

[36]李俊奎，时间序列相似性研究，博士论文，华中科技大学，2008

[37]谢东，张兴，曹仁贤，基于增量式GHSOM神经网络模型的入侵检测研究，计算机学报，2014（05），2014.05

[38]阮素梅，于宁，证券投资基金收益概率密度预测——基于神经网络分位数回归模型，华东经济管理，2015（02），2015.05

[39]谷新军，基于神经网络的移动证券数据挖掘研究，硕士论文，湘潭大学，2009

[40]章兢，邹阿金，童调生，多项式基函数神经网络模型，湖南大学学报，23（2），1996.4，84-89

[41]童兆，费良俊，发现金融市场预测模型的计算只能方法，软件学报，10（4），1999.4，395-399

[42]周星月，基于布林线的股指期货量化模型构建与回测检验，硕士论文，南京师范大学，2014

[43]卢钰，基于参数优化的支持向量机股票市场趋势预测，硕士论文，浙江工商大学，2013

[44]张雨浓，李巍，蔡炳煌，，李克讷，切比雪夫正交基神经网络的权值直接确定法，计算机仿真，26（1），2009.01，157-161

[45]尹学松，胡思良，陈松灿，基于成对约束的判别型半监督聚类分析，软件学报，19（11），2008.11

[46]王宣承，基于LASSO和神经网络的量化交_省略_统构建_以沪深300股指期货为例，投资研究，33（367），2014.9，23-39

[47]陈政，杨天奇，基于RBF神经网络的股票市场预测，计算机应用与软件，27（6），2010.6，108-110

[48]孙彬，李铁克，王柏琳，基于股票市场灵敏度分析的神经网络预测模型，计算机工程与应用，47（1），2011，26-31

[49]郑挺国，尚玉皇，基于宏观基本面的股市波动度量与预测，世界经济，2014年12期，118-139

[50]张汉江，马超群，曾俭华，金融市场预测决策的有力工具_ARCH模型，系统工程，15（1），1997.1，43-46

[51]何晓旭，时间序列数据挖掘若干关键问题研究，博士论文，中国科学技术大学，2014

[52]顾乐民，预测型切比雪夫多项式，计算机工程与应用，48（7），2012，34-38

[53]姜富伟，凃俊，David E. Rapach，Jack K. Strauss，周国富，中国股票市场的可预测性实证研究，375，2011.9，107-121

附录 matlab程序代码

aa=xlsread('ZXZQ.xls');

%从 EXCEL 表格中获得所需的数据

pd=aa(1:400,1:5)';

%在 EXCEL 表中选取 300~500 条数据，存放在矩阵 pd 中，并对矩阵进行转置操作

[pn,minp,maxp]=premnmx(pd);

%将 pd 中数据进行归一化处理

pr=[pn(:,1:350);pn(:,2:351);pn(:,3:352);pn(:,4:353);pn(:,5:354)];

%对归一化后的矩阵进行处理，因为有 25 个输入数据，所以一列读取 5 天的 5 项数据

px=pr(:,1:320);

py=pn(5,6:325);%选择第5列的当日收盘价作为神经网络输出

pX=pr(:,321:330)

pY=pd(5,326:335);

net1=newff(minmax(px),[25,16,1],{'tansig','tansig','purelin'},'trainlm');

%{'tansig','logsig'},'traingdx'); {'logsig','purelin'}

%建立 BP 神经网络， 25 个输入神经元， 16 个隐层神经元， 1 个输出神经元

%25 个输入神经元代表 5 天的 25 项股票数据，1 个输出神经元代表着接下来一天

%的收盘价预测值。输入、隐含层都选择 tansig 传递函数，输出层选用线性函数

net1.trainParam.show=1;

net1.trainParam.epochs=2000;

net1.trainParam.goal=0.0001;

net1.trainParam.max_fail=5;

%对训练网络各项参数的初始设置

net1=init(net1);

%初始化网络

[net1,tr,Y,E]=train(net1,px,py);

%训练该神经网络

s=sim(net1,px);

%网络训练完成，检验结果存放在 s

er=py-s;

%获得误差值

figure

plot(py,'b');

hold on

plot(s,'r*');

title('神经网络训练图 ');

%绘出神经网络训练图

pp=sim(net1,pX);

legend('实际目标值 ','网络拟合值 ',2);

disp('实际值 ')

%列出实际值

disp('预测值 ')

pp=minp(5)+(maxp(5)-minp(5))*(pp+1)/2

%反归一预测值，并全部列出

disp('预测产生的误差 ')

pY-pp

%列出实际的误差值

figure;

plot(pY,'g');

hold on

plot(pp,'m');

%axis([0,20,1,500]);

title('神经网络预测图 ');

legend('实际目标值 ','预测值 ',2)

%绘制神经网络预测图

figure;

plot(er,'m');

title('神经网络训练误差曲线 ');

%绘制训练误差曲线

下载地址：52毕业论文初稿.Doc

　　【】