RBF神经网络在股指预测中的应用研究

"RBF神经网络的研究与应用硕士毕业论文-BP神经网络股指预测模型 1[1].0.doc" 这篇硕士毕业论文主要探讨了RBF（径向基函数）神经网络的研究及其在股指预测中的应用，同时也涉及了BP神经网络。RBF神经网络是一种前馈型神经网络，其特点包括最佳逼近性能、全局最优特性、简单的结构和快速的训练速度，使其在模式识别和非线性函数逼近等领域具有广泛的应用。 论文的主要贡献如下： 1. 提出了一种名为微细菌群体趋药性算法（Micro-BCC算法），它是基于细菌群体趋药性优化算法的改进版本。这个新算法利用两个菌群进行优化，一个菌群负责寻优，规模小，提高了效率；另一个菌群规模较大但不参与计算，用于保持菌群的多样性。与标准遗传算法和BCC算法相比，微细菌群体趋药性算法显示出了优势。 2. 论文在RBF神经网络的基础上，开发了一种混合结构优化算法。这里，改进的递归正交最小二乘（ROLS）算法被用来优化RBF网络的隐层节点数量，而微细菌群体趋药性算法则被用来确定RBF神经网络的隐层神经元控制参数。通过结合这两个算法，实现了RBF网络的全结构优化，确保了网络既具备合适的结构，又能获得较高的预测精度。 3. 论文还利用BP神经网络构建了一个股指预测模型，具体针对2001年的上海证劵交易所指数（上证指数）的周收盘价进行短期预测。实验结果显示，BP神经网络模型的收敛速度快，学习能力强，预测精度高，误差率低，适合于对股指的短期预测。 此外，论文还对比了传统的预测方法，如多元统计分析、随机过程、ARMA模型、GARCH模型等，指出了BP神经网络在计算量和预测准确性方面的优势。论文作者来自青岛大学，导师为赵志刚，专业领域为计算机应用技术。 关键词：RBF神经网络、微菌群算法、车牌识别、多层识别器，以及MATLAB标签可能表明论文中涉及到使用MATLAB编程环境进行神经网络的实现和数据分析。 通过这篇论文，读者可以深入了解RBF神经网络的优化方法和在金融领域的应用，特别是如何通过BP神经网络对股票市场进行预测，以及这种预测模型的实际效果。