首页> 中文学位 >混合神经网络在石油价格预测中的应用研究
【6h】

混合神经网络在石油价格预测中的应用研究

代理获取

目录

声明

摘要

第1章 绪论

1.1 研究背景和意义

1.2 国内外研究现状

1.3 研究内容与创新点

1.4 论文组织结构

1.5 本章小结

第2章 相关理论

2.1 反向传播神经网络

2.1.1 网络模型

2.1.2 算法步骤

2.1.3 局限性分析

2.2 粒子群算法

2.2.1 概述

2.2.2 算法流程

2.2.3 算法局限性分析

2.3 本章小结

第3章 混合神经网络

3.1 混合神经网络概述

3.2 混沌自适应粒子群算法

3.3 混沌自适应粒子群混合神经网络

3.4 本章小结

第4章 混合神经网络在石油价格预测中的应用研究

4.1 石油价格建模分析

4.2 模型结构

4.3 模型的建立

4.3.1 石油价格预测模型

4.3.2 模型的性能指标

4.3.3 实验数据

4.4 结果与讨论

4.5 本章小结

第5章 结论与展望

5.1 总结

5.2 展望

致谢

参考文献

展开▼

摘要

石油是关系世界经济政治发展不可或缺的能源之一,对国民经济的发展产生重要的影响。石油的价格受到多方面因素的影响,包括国际军事和政治,以及经济和外交格局等因素,其变化具有不确定性、复杂非线性等特征。把握石油价格的走势是减少石油价格变化带来的负面影响的关键办法,如何准确的预测石油价格成为世界各国的热点问题。但是由于石油价格的影响因子多,并且数据中含有噪声,在传统石油价格预测方法中,存在一些如只能进行定性分析、得到的预测结果不太可靠或预测精度较低等不足。因此,研究精度相对较高、性能、效率和相关性相对较好并且适应性较广的预测模型一直是学术和工业界研究者的目标。
  本文首先通过目前国内外石油价格问题的研究现状,分析并比较了各石油价格预测模型的优缺点。在此基础上结合粒子群优化算法、混沌理论和人工神经网络技术,提出了一种用于石油价格预测的混合神经网络预测模型,主要研究内容如下:
  1、提出一种粒子群改进算法(CSAPSO)。通过结合自适应权值调整策略和混沌理论对标准粒子群算法进行改进,引入自适应权重调整策略提高算法的收敛速度,通过混沌理论产生的混沌序列改进算法的学习因子,从而权衡算法的开发与探索能力,改进算法的早熟收敛问题。
  2、提出一种混合神经网络模型(HANN)。将CSAPSO和BP算法结合组成混合训练算法,再对神经网络模型进行训练,得到基于混沌自适应粒子群和BP算法的神经网络模型(CSAPSO-BPANN)。混合训练算法结合了粒子群算法较强的全局搜索和BP算法较强的局部搜索能力,相对提高了模型的预测性能。
  3、根据石油价格预测问题和预测石油价格的可行性;建立了HANN石油价格预测模型,并通过石油价格实例验证,说明了HANN预测石油价格的可行与可靠性。通过与传统BPANN和PSO-BPANN的比较,验证了提出的HANN模型在预测精度和相关性上均相对较优。
  本文将PSO算法、混沌理论、ANN等技术与石油产业发展策略相结合,研究构建出相对较高性能的石油价格预测模型,为石油工业预测提供了一种可行的方法。同时,提出的CSAPSO算法,也可供许多工业和研究领域借鉴参考,有较好的应用前景。

著录项

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号