基于改进的概率神经网络的分类预测方法的理论、算法与应用研究

For the advantage and disadvantage characteristics of the probabilistic neural network, we improve this method, design the appropriate mechanisms for its advantages, and to a certain extent and the application context, overcome its shortcomings in order to provide an efficient, accurate and adaptable new classification prediction method. This project establishes three network parameters that can be corrected through training to get the oval probabilistic neural network and derives the learning rules of the oval probabilistic neural network. We explore whether the fuzzy probabilistic neural network can approximately convergence horizontally in a compact set in an arbitrary precision, and studies the common continuous fuzzy value functions like the send-diagram metrics exported convergence in the structure of convergence. We will give the specific steps of this implementation under certain conditions. Based on the definition of the concept drift, we study multiple classifier ensemble applied to the oval probabilistic neural network, and make the theoretical analysis of the error rate of the algorithm, the feasibility, accuracy and complexity, and do the empirical research based on the new classification prediction method. We discusse the mechanisms and algorithms to combine the oval probabilistic neural network and the fuzzy theory, study the training issues in the fuzzy semantic model, and make the empirical analysis. The research results will develop the classification prediction methods, improve the information extraction ability of the classification prediction and the property time-varying degeneration in the process of classification.

针对概率神经网络的优缺点特征，对该方法进行改进，设计相应的机制发挥该方法的优点，在一定程度和应用背景下，克服其缺点，以提供一个高效、准确、适用性强的新分类预测方法。本项目建立三种可通过训练来修正的网络参数得到椭圆概率神经网络，推导椭圆概率神经网络的学习规则。研究模糊值概率神经网络在一个紧集上能否以任意精度逼近在水平收敛，send-图度量导出的收敛等常见收敛结构下的连续模糊值函数。如果可以或在一定条件下可以，给出这种实现的具体步骤。在概念漂移的概念基础上，研究适用于椭圆概率神经网络的多分类器集成方法，并对算法的误差率、可行性、准确性及复杂度进行理论分析，基于该分类预测新方法进行实证研究. 讨论椭圆概率神经网络与模糊理论相结合的机制与算法，讨论在模糊语义下模型的训练问题，并进行实证分析。其研究成果将发展分类预测方法，提高分类预测的信息提取能力，提高其准确率, 解决分类对象属性时变性的问题.

针对概率神经网络的优缺点特征，对该方法进行改进，设计相应的机制发挥该方法的优点，在一定程度和应用背景下，克服其缺点，以提供一个高效、准确、适用性强的新分类预测方法。本项目建立了三种可通过训练来修正的网络参数得到椭圆概率神经网络，推导了椭圆概率神经网络的学习规则。给出了模糊值概率神经网络在一个紧集上能以任意精度逼近在水平收敛等常见收敛结构下的连续模糊值函数的条件，并给出了这种实现的具体步骤。提出了引入反向传播机制的改进概率神经网络模型,通过三组数值实验的验证，结果表明该模型有着较强的输入指标重要性的识别能力和较高的分类精度，并将模型与既有的广泛采用的机器学习方法进行了对比分析。 在概念漂移的概念基础上， 该研究了适用于椭圆概率神经网络的多分类器集成方法，并对算法的误差率、可行性、准确性及复杂度进行了理论分析，基于该分类预测新方法得到了基于椭圆概率神经网络集成的财务危机预测模型，并进行了实证研究.结果表明该预测模型具有较高的准确性。建立了概率神经网络模型与SVM，HMM相结合的股票指数预测模型，并在选择的多个样本上进行了测试,结果表明甚至在“熊市”的时候,平均收益率也可以达到35%。 并提出了一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数，进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择， 解决了概率神经网络平滑参数的确定及空间结构复杂的问题题，提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型，并以我国上市公司作为研究对象进行了实证研究。结果表明，经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能，并在企业财务危机长期预警方面具有一定效用。该项目研究成果发展了分类预测方法，提高了分类器预测的信息提取能力，提高了预测的准确率，解决了分类对象属性时变性的问题。