径向基神经网络的汇率预测模型研究

doi:10.3778/j.issn.1002-8331.2009.24.063

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (24): 210-212.DOI: 10.3778/j.issn.1002-8331.2009.24.063

径向基神经网络的汇率预测模型研究

廖薇1，冯小兵²，许春冬³，刘锦高¹

1.华东师范大学信息学院电子系，上海 200241
2.上海社科院世界经济和政治研究所，上海建桥学院，上海 200200
3.江西理工大学信息工程学院，江西赣州 341000

收稿日期:2009-04-17 修回日期:2009-06-15 出版日期:2009-08-21 发布日期:2009-08-21
通讯作者: 廖薇

Research of exchange rate forecast model based on Radial Basis Function neural network

LIAO Wei¹，FENG Xiao-bing²，XU Chun-dong³，LIU Jin-gao¹

1.Department of Information Science and Technology，East China Normal University，Shanghai 200241，China
2.Shanghai Academy of Social Science，Jian Qiao College，Shanghai 200200，China
3.School of Information Science and Technology，Jiangxi University of Technology，Ganzhou，Jiangxi 341000，China

Received:2009-04-17 Revised:2009-06-15 Online:2009-08-21 Published:2009-08-21
Contact: LIAO Wei

摘要/Abstract

摘要： 针对BP网络存在着收敛速度慢和局部极小的问题，提出了一种基于径向基神经网络的汇率预测研究方法。将经济变量数据归一化处理，然后送入径向基神经网络（RBF）中训练，得出相应参数，再对汇率进行预测。详细的仿真实验以及与BP神经网络的比较表明，该方法不仅运算速度较快，且预测精度明显要高于传统BP神经网络所能达到的效果。

关键词: 径向基函数, 神经网络, 汇率, 预测

Abstract: To resolve the slow convergence and local minimum problem of BP network，an exchange rate forecast method based on Radial Basis Function Neural Network（RBFNN） is proposed.Data on economic variables is normalized，and then is put into the RBFNN in training.Corresponding parameters are got and then the exchange rate is predicted.Detailed simulation results and comparisons with Back-Propagation（BP） network show that，the operation speed of the method is faster and the forecast accuracy is higher than the traditional BP neural network can be achieved obviously.

Key words: Radial Basis Function（RBF）, neural network, exchange rate, forecast

中图分类号:

TP183

廖薇1，冯小兵²，许春冬³，刘锦高¹. 径向基神经网络的汇率预测模型研究
[J]. 计算机工程与应用, 2009, 45(24): 210-212.

LIAO Wei¹，FENG Xiao-bing²，XU Chun-dong³，LIU Jin-gao¹. Research of exchange rate forecast model based on Radial Basis Function neural network[J]. Computer Engineering and Applications, 2009, 45(24): 210-212.

[1]	许昊，张凯，田英杰，种法广，王子超. 深度神经网络图像描述综述[J]. 计算机工程与应用, 2021, 57(9): 9-22.
[2]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[3]	牟清萍，张莹，张东波，王新杰，杨知桥. 目标丢失判别机制的视觉跟踪算法及应用研究[J]. 计算机工程与应用, 2021, 57(9): 140-147.
[4]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[5]	王林，柴江云. 深度神经网络在多场景车辆属性识别中的研究[J]. 计算机工程与应用, 2021, 57(9): 162-167.
[6]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[7]	赵志焱，杨华，胡志伟，宇海萍. 基于TACNN的玉露香梨叶虫害识别[J]. 计算机工程与应用, 2021, 57(9): 176-181.
[8]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[9]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[10]	麻哲旭，杨峰，乔旭. 铁路路基病害智能检测方法[J]. 计算机工程与应用, 2021, 57(9): 272-278.
[11]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[12]	李震霄，孙伟，刘明明，郑丽丽，陈劭颖. 交通监控场景中的车辆检测与跟踪算法研究[J]. 计算机工程与应用, 2021, 57(8): 103-111.
[13]	张越，黄友锐，刘鹏坤. 引入注意力机制的多分辨率人体姿态估计研究[J]. 计算机工程与应用, 2021, 57(8): 126-132.
[14]	李现国，冯欣欣，李建雄. 多尺度残差网络的单幅图像超分辨率重建[J]. 计算机工程与应用, 2021, 57(7): 215-221.
[15]	翟正利，李鹏辉，冯舒. 图对抗攻击研究综述[J]. 计算机工程与应用, 2021, 57(7): 14-21.

径向基神经网络的汇率预测模型研究

Research of exchange rate forecast model based on Radial Basis Function neural network

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics