RBF神经网络如何进行股价预测

股票市场是一个复杂的非线性动力系统，神经网络不仅具有强大的非线性映射功能rbf神经网络预测数据，可以实现任何复杂的因果关系，而且还具有许多优良的品质，例如自学习，自适应和自适应. 容错和其他特征，可以从大量的历史数据中进行聚类和学习，然后找到一些行为变化的规律.

这里的案例是基于基于RBF网络的股票市场预测原理. 三层神经网络用于建立股票市场的预测模型，包括网络拓扑，确定隐藏节点的原理，样本数据的选择和预处理以及初始参数的确定. 等问题. 此外，鉴于股价的变化极为复杂，并且随着时间的流逝，其内部法律继续从旧变新. 基于传统的RBF网络，一种自适应的学习预测算法.

RBF网络的结构

RBF神经网络是Moody和Darken提出的神经网络模型. 它模拟了在人脑中局部调整并彼此覆盖接收区域的神经网络结构. 它具有很强的生物学背景，并且能够近似任意非线性函数. RBF网络是三层前馈网络. 其拓扑如图10-7所示. 根据图中的箭头，输入层rbf神经网络预测数据，隐藏层和输出层从左到右.

图10-7 RBF神经网络结构

其中，输入层节点仅将输入信号传递到隐藏层. 隐藏层的基础函数是非线性的. 它生成对输入信号的局部响应，也就是说，每个隐藏层节点都有一个参数向量，称为“中心”. 该中心用于与网络输入向量进行比较，以产生径向对称的响应. 仅当输入落入较小的指定区域时，隐藏层节点才会做出有意义的非零响应. 响应值从0到1之间，即输入层节点. 距基函数中心的距离越近，隐藏层节点的响应就越大；输出单元是线性的，也就是说，输出单元对隐藏层节点的输出执行线性加权组合.

关注Flush Financial（ths518），以获得更多机会

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-161946-1.html