神經網路證券研究

① 用神經網路研究期貨價格

中國的垃圾教育。我說怎麼這么多研究生找不到工作呢。

② 神經網路研究屬於什麼學派

屬於連接主義
華為認證HCIA題庫里的答案

③ 研究神經網路需要哪些知識，有前途嗎

數字模擬的話，對矩陣基礎知識有些要求，常用的工具工學的話一般就是MATLAB，自帶功能十分強大的神經網路工具箱，建議看一本神經網路的書作為基礎知識的儲備。
如果是你學習神經學而不是用於工科的應用領域的話，那MATLAB自帶的工具箱 就無法幫到你了，因為真正的神經十分復雜，至今為止對其原理都還處於探索階段。
要說前途，它也是有的，但正所謂條條大路通羅馬，所以不管是什麼領域，都會有前途的，我現在在自學神經網路相關的東西，發現真的很難，只要生物醫學那一塊沒有在大腦的探索方面有突破性進展，就很難發揮神經網路到極致
謝謝

④ 神經網路研究現狀

光譜分析因其能夠靈敏、高精度、無破壞、快速地檢測物質的化學成分和相對含量而廣泛應用於分析化學、生物化學與分子生物學、農業、醫學等領域。目前，光譜分析技術日趨成熟，引入光譜分析理論的高光譜遙感技術應用日益廣泛，尤其是在農業領域，可以有效地獲取農田信息、判斷作物長勢、估測作物產量、提取病害信息。光譜分析技術雖然具有很強的物質波譜「透視力」，但在分析 「同譜異物」 和 「異物同譜」等方面需要與現代分析手段相結合，如小波變換、卡爾曼濾波、人工神經網路（Artificial Neural Net－work，ANN）、遺傳演算法（Genetic Algorithm，GA）等。

在光譜分析領域，ANN多用於物質生化組分的定量分析（陳振寧等，2001；印春生等，2000），在光度分析中也有較多應用，如，於洪梅等（2002）利用ANN分析鉻和鋯的混合吸收光譜，並結合分光度法對二者進行測定。ANN在非線性校準與光譜數據處理等方面也有應用（Blank，1993；方利民等；2008）。而在模式識別中ANN應用最為廣泛，如，Eiceman et al.（2006）利用遺傳演算法（是ANN的一種）對混合小波系數進行分類識別。

目前，自組織特徵映射（Self－organizing Feature Maps，SOFM）神經網路在高光譜影像的模式識別方面，國內外還較少有研究與應用，而結合遙感波譜維光譜分析技術的應用研究就更少。SOFM常用於遙感圖像處理方面，如，Moshou et al.（2005）利用SOFM神經網路進行數據融合，使分類誤差減小到1％；Doucette et al.（2001）根據SOFM設計的SORM演算法，從分類後的高解析度影像中提取道路；Toivanen et al.（2003）利用SOFM神經網路從多光譜影像中提取邊緣，並指出該方法可應用於大數據量影像邊緣的提取；Moshou et al.（2006）根據5137個葉片的光譜數據，利用SOFM神經網路識別小麥早期黃銹病，准確率高達99％。然而，SOFM不需要輸入模式期望值（在某些分類問題中，樣本的先驗類別是很難獲取的），其區別於BP（Back Propagation）等其他神經網路模型最重要的特點是能夠自動尋找樣本的內在規律和本質屬性，這大大地拓寬了SOFM在模式識別和分類方面的應用。

基於以上幾點，本章從光譜分析的角度對高光譜遙感影像進行分析識別和信息提取，給出了在不同光譜模型下，高光譜數據的不同分解，之後利用SOFM對具有較高光譜重疊度的這些分解進行分類識別，結合光譜分析對采樣點進行類別辨識，並通過對小麥條銹病的病情嚴重度信息提取，提出了高光譜影像波譜維光譜分析的新途徑。

⑤ BP神經網路的研究背景

「人腦是如何工作的？」
「人類能否製作模擬人腦的人工神經元？」
多少年以來，人們從醫學、生物學、生理學、哲學、信息學、計算機科學、認知學、組織協同學等各個角度企圖認識並解答上述問題。在尋找上述問題答案的研究過程中，逐漸形成了一個新興的多學科交叉技術領域，稱之為「神經網路」。神經網路的研究涉及眾多學科領域，這些領域互相結合、相互滲透並相互推動。不同領域的科學家又從各自學科的興趣與特色出發，提出不同的問題，從不同的角度進行研究。
心理學家和認知科學家研究神經網路的目的在於探索人腦加工、儲存和搜索信息的機制，弄清人腦功能的機理，建立人類認知過程的微結構理論。
生物學、醫學、腦科學專家試圖通過神經網路的研究推動腦科學向定量、精確和理論化體系發展，同時也寄希望於臨床醫學的新突破；信息處理和計算機科學家研究這一問題的目的在於尋求新的途徑以解決不能解決或解決起來有極大困難的大量問題，構造更加逼近人腦功能的新一代計算機。

⑥ 神經網路的研究方向

神經網路的研究可以分為理論研究和應用研究兩大方面。
理論研究可分為以下兩類：
1、利用神經生理與認知科學研究人類思維以及智能機理。
2、利用神經基礎理論的研究成果，用數理方法探索功能更加完善、性能更加優越的神經網路模型，深入研究網路演算法和性能，如：穩定性、收斂性、容錯性、魯棒性等；開發新的網路數理理論，如：神經網路動力學、非線性神經場等。
應用研究可分為以下兩類：
1、神經網路的軟體模擬和硬體實現的研究。
2、神經網路在各個領域中應用的研究。這些領域主要包括：
模式識別、信號處理、知識工程、專家系統、優化組合、機器人控制等。隨著神經網路理論本身以及相關理論、相關技術的不斷發展，神經網路的應用定將更加深入。

⑦ bp神經網路研究現狀

BP網路的誤差逆傳播演算法因有中間隱含層和相應的學習規則，使得它具有很
強的非線性映射能力，而且網路的中間層數、各層神經元個數及網路的學習系數
等參數可以根據實際情況設定，有很大的靈活性，且能夠識別含有雜訊的樣本，
經過學習能夠把樣本隱含的特徵和規則分布在神經網路的連接權上。總的說來，
BP網路的優點主要有：
(1)演算法推導清楚，學習精度較高；(2)經過訓練後的BP網路，運行速度很快，有
的可用於實時處理；(3)多層(至少三層)BP網路具有理論上逼近任意非線性連續
函數的能力，也就是說，可以使多層前饋神經網路學會任何可學習的東西，而信
息處理的大部分問題都能歸納為數學映射，通過選擇一定的非線性和連接強度調
節規律，BP網路就可解決任何一個信息處理的問題。目前，在手寫字體的識別、
語音識別、文本一語言轉換、圖像識別以及生物醫學信號處理方面已有實際的應
用。
同時BP演算法與其它演算法一樣，也存在自身的缺陷：
(1)由於該演算法採用誤差導數指導學習過程，在存在較多局部極小點的情況下容易陷入局部極小點，不能保證收斂到全局最小點：(2)存在學習速度與精度之間的矛盾，當學習速度較快時，學習過程容易產生振盪，難以得到精確結果，而當學習速度較慢時，雖然結果的精度較高，但學習周期太長：(3)演算法學習收斂速度慢；(4)網路學習記憶具有不穩定性，即當給一個訓練好的網路提供新的學習記憶模式時，將使已有的連接權值打亂，導致已記憶的學習模式的信息消失；(5)網路中間層(隱含層)的層數及它的單元數的選取無理論上的指導，而是根據經驗確定，因此網路的設計有時不一定是最佳的方案。

⑧ 劉華春的科研項目

近年參加科研項目情況：
1、2008年作為項目負責人完成了《投資大師證券決策系統軟體》，橫向課題，2009年順利結題結題。
2、2009年作為項目負責人完成了《基於神經網路的證券投資決策系統研究》，校科研發展基金，2009年順利結題。
近年發表的主要科技論文：
1.劉華春，袁連海，李龍生 基於路徑代理的多級橋模型分析與研究 《計算機工程與設計》2009年12期。（中文核心期刊）
2．劉華春 P2P網路的分類以及關鍵技術分析 《微計算機信息》 2008年9期 。（中文核心期刊）
3．劉華春 基於PKI的IPSec-VPN的研究與設計 《通信技術》 2009年1期 。 （中文核心期刊）
4. 劉華春、王建華、段華瓊，基於PKI/HIP協議的下一代互聯網實名訪問研究 《計算機工程》2010年4期。(中文核心期刊)
5、劉華春、戴慶光、蔣志平，基於IPsec的IPv6安全鄰居發現協議 《計算機工程》，錄用通知。(中文核心期刊)
6．劉華春，基於PKI的網上證券交易系統的構建 《計算機技術與發展》 2009年7期。（科技核心期刊）
7．劉華春，基於Elman 神經網路的股市決策模型研究 《計算機應用》 2009年6期 （中文核心期刊）
8．劉華春，基於嵌入式Internet的智能家居研究與實現 《科技信息》 2007年11期。 （省級期刊）