導(dǎo)語：如何才能寫好一篇數(shù)學(xué)建模擬合算法，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

（天津市測繪院，天津 300381）

摘要：針對北斗等新一代導(dǎo)航衛(wèi)星系統(tǒng)的建設(shè)和應(yīng)用需求，本文設(shè)計(jì)并開發(fā)了多頻多模GNSS觀測數(shù)據(jù)實(shí)時(shí)仿真軟件平臺，實(shí)時(shí)仿真gps、GLONASS、Galileo、BDS等多個(gè)導(dǎo)航星座和多種類型載體的典型運(yùn)動軌跡，生成包含多種空間環(huán)境效應(yīng)誤差影響的多頻點(diǎn)、多種類、誤差可控的GNSS觀測數(shù)據(jù).利用標(biāo)準(zhǔn)C++開發(fā)，采用模塊化設(shè)計(jì)，該軟件能運(yùn)行于多種軟件以及硬件平臺，可為新一代導(dǎo)航衛(wèi)星系統(tǒng)建設(shè)、多GNSS系統(tǒng)組合導(dǎo)航及多頻數(shù)據(jù)處理算法研究、多模GNSS接收機(jī)及其相關(guān)設(shè)備檢測等提供技術(shù)支持.

關(guān)鍵詞 ：多頻多模；GNSS；北斗；仿真

中圖分類號：P228；O242文獻(xiàn)標(biāo)識碼：A文章編號：1673-260X（2015）02-0008-02

引言

隨著全球?qū)Ш叫l(wèi)星系統(tǒng)GNSS(Global Navigation Satellite System)技術(shù)與應(yīng)用的迅猛發(fā)展[1-2]，美國GPS開始實(shí)現(xiàn)現(xiàn)代化，俄羅斯GLONASS也在逐漸恢復(fù)，歐盟Galileo以及中國BDS衛(wèi)星導(dǎo)航系統(tǒng)正在積極建設(shè).與此同時(shí)，印度、日本等國也積極建設(shè)自己的區(qū)域性衛(wèi)星導(dǎo)航系統(tǒng)及其增強(qiáng)系統(tǒng).預(yù)計(jì)到2020年，GPS、GLONASS、Galileo及北斗將全面建成并投入使用.屆時(shí)，將有100余顆導(dǎo)航衛(wèi)星在全球范圍內(nèi)提供多頻點(diǎn)、多類型的導(dǎo)航數(shù)據(jù)，必將大幅度提高GNSS導(dǎo)航定位精度和性能.這對精密定軌方法、導(dǎo)航定位算法及多系統(tǒng)兼容導(dǎo)航設(shè)備等提出了更高的要求.但目前，除GPS外其它導(dǎo)航系統(tǒng)尚處在恢復(fù)或建設(shè)當(dāng)中，其系統(tǒng)的觀測數(shù)據(jù)無法獲取，多模GNSS應(yīng)用研究必須依靠高精度、功能齊全、性能優(yōu)良的GNSS仿真平臺.多頻多模GNSS觀測數(shù)據(jù)建模與仿真研究及相應(yīng)軟件平臺的研制，是滿足GNSS技術(shù)發(fā)展與應(yīng)用的迫切需求.

國內(nèi)外開展了對GPS觀測數(shù)據(jù)的仿真研究，國際著名科研軟件Bernese5.0、開源軟件SIGOG和JAT等均包含GPS觀測數(shù)據(jù)仿真模塊[3-5].現(xiàn)有仿真軟件多由Matlab、Fortran等語言編寫，仿真依賴于IGS精密星歷，不能實(shí)時(shí)仿真生成多模GNSS系統(tǒng)多頻點(diǎn)多類型的觀測數(shù)據(jù)，更無法滿足BDS等新一代導(dǎo)航系統(tǒng)及多模GNSS應(yīng)用研究的仿真需求.

近年來，筆者構(gòu)建了一套完整的多頻多模GNSS觀測信息實(shí)時(shí)仿真軟件平臺，主要由GNSS衛(wèi)星星座仿真、用戶軌跡仿真和觀測數(shù)據(jù)仿真等三個(gè)功能模塊組成.多頻多模GNSS觀測信息實(shí)時(shí)仿真軟件平臺采用標(biāo)準(zhǔn)C++語言按面向?qū)ο蠓椒ㄩ_發(fā)，易于維護(hù)擴(kuò)充，移植性好，能運(yùn)行于多種軟件/硬件平臺.本文將重點(diǎn)介紹軟件各功能模塊所用的數(shù)學(xué)模型、關(guān)鍵技術(shù)及其應(yīng)用狀況.

1 GNSS衛(wèi)星星座仿真

本文采用四/五階RKF（Runge-Kutta- Fehlberg）算法，按設(shè)定精度自動調(diào)節(jié)積分步長，實(shí)時(shí)高效的計(jì)算衛(wèi)星運(yùn)動狀態(tài).積分考慮的攝動力主要有地球非球星攝動（JGM-3模型）、日月引力攝動、大氣阻力攝動、太陽光壓攝動等，可以根據(jù)所需的計(jì)算精度和效率自由設(shè)置.

多頻多模GNSS觀測信息實(shí)時(shí)仿真軟件根據(jù)配置參數(shù)靈活設(shè)置導(dǎo)航星座及其動力學(xué)模型參數(shù)、衛(wèi)星參數(shù)和初始狀態(tài)參數(shù).GPS導(dǎo)航星座初始狀態(tài)根據(jù)IGS精密星歷設(shè)置，共32顆衛(wèi)星；GLONASS導(dǎo)航星座為Walker24/3/1星座，其初始狀態(tài)根據(jù)GLONASS的ICD文件設(shè)置；Galileo導(dǎo)航星座為Walker30/3/1星座，其初始狀態(tài)由STK軟件的WALKER工具生成；BDS導(dǎo)航星座由5顆GEO和30顆NGEO組成.

2 GNSS導(dǎo)航電文的生成

多頻多模GNSS觀測信息實(shí)時(shí)仿真軟件平臺擬合的廣播星歷參數(shù)與GPS星歷參數(shù)相同，由參考?xì)v元、開普勒軌道根數(shù)、表示軌道攝動的調(diào)和系數(shù)等16個(gè)參數(shù)組成.參數(shù)擬合算法見相關(guān)文獻(xiàn)[6].一般2~4小時(shí)的導(dǎo)航星歷擬合一組星歷參數(shù)，其精度優(yōu)于5cm.

導(dǎo)航電文編碼是衛(wèi)星射頻系統(tǒng)生成射頻信號測試用戶接收機(jī)的必要前提和基礎(chǔ)，其主要目的是將衛(wèi)星星歷等導(dǎo)航電文信息按規(guī)定的比例因子歸化取整，并把相應(yīng)比特位數(shù)據(jù)存貯到指定位置并組成字、子幀、主幀和超幀，經(jīng)過編碼校驗(yàn)后生成二進(jìn)制數(shù)據(jù)流再以一定比特率向外播發(fā)，最終形成導(dǎo)航電文信號.本文開發(fā)了GPS、Galileo、BDS等導(dǎo)航電文編碼軟件，經(jīng)過測試并已應(yīng)用于新一代導(dǎo)航系統(tǒng)接收機(jī)的測試與評估中.

3 用戶軌跡仿真

多頻多模GNSS觀測信息實(shí)時(shí)仿真軟件平臺可以實(shí)時(shí)仿真靜態(tài)、中低動態(tài)、高動態(tài)用戶的運(yùn)動學(xué)（或動力學(xué)）軌跡，輸出地心地固系，J2000慣性系等多種坐標(biāo)系下的運(yùn)動狀態(tài)（位置，速度，加速度，加加速度）及姿態(tài)信息（方位角，俯仰角、偏航角）.靜態(tài)用戶軌跡仿真主要仿真固體潮、海潮、極潮、板塊運(yùn)動等對監(jiān)測站的影響；中低動態(tài)用戶軌跡仿真主要仿真汽車、艦船、飛機(jī)等用戶加速、轉(zhuǎn)彎、爬坡、起飛、降落等典型運(yùn)動軌跡；高動態(tài)用戶軌跡仿真主要包括火箭的初始發(fā)射、垂直上升、程序轉(zhuǎn)彎、機(jī)動點(diǎn)火、入軌飛行等基本過程，及彈道式導(dǎo)彈和低軌衛(wèi)星的動力學(xué)軌跡.

4 觀測數(shù)據(jù)仿真

導(dǎo)航信號從導(dǎo)航衛(wèi)星發(fā)射到用戶接收機(jī)接收的過程中受多種誤差源的影響.高精度、高效率的仿真這些星地觀測誤差源是實(shí)現(xiàn)高精度GNSS觀測數(shù)據(jù)實(shí)時(shí)仿真的前提.本文考慮的星地觀測誤差源主要包括地球自轉(zhuǎn)效應(yīng)誤差、相對論效應(yīng)誤差、衛(wèi)星及用戶接收機(jī)鐘差、衛(wèi)星及用戶接收機(jī)天線相位中心偏差、設(shè)備延遲誤差、電離層效應(yīng)誤差、對流層效應(yīng)誤差、多路徑效應(yīng)誤差、觀測噪聲等多種誤差源，并提供了多個(gè)仿真數(shù)學(xué)模型，參數(shù)可以靈活配置.

GNSS觀測數(shù)據(jù)仿真基本上可視為精密單點(diǎn)定位的逆過程，將仿真的多種星地觀測誤差源疊加到星地幾何距離上生成多頻點(diǎn)多種類的觀測數(shù)據(jù).仿真生成的基本觀測數(shù)據(jù)主要包括偽距觀測及其1階、2階、3階變化率，相位觀測及其1階、2階、3階變化率，多普勒觀測等，與此同時(shí)，可實(shí)時(shí)輸出每個(gè)用戶對可見衛(wèi)星的觀測高度角、電離層穿刺點(diǎn)位置、觀測幾何精度因子等信息，便于對不同星座的導(dǎo)航性能做出評估.

5 結(jié)論

本文研制的多頻多模GNSS觀測信息實(shí)時(shí)仿真平臺，可以采用完整的動力學(xué)模型實(shí)時(shí)仿真GPS、GLONASS、Galileo、BDS等多個(gè)導(dǎo)航衛(wèi)星星歷數(shù)據(jù)；擬合生成廣播星歷參數(shù)，編碼生成可播發(fā)的導(dǎo)航電文；模擬汽車、艦船、飛機(jī)、火箭、導(dǎo)彈、低軌衛(wèi)星等典型運(yùn)動軌跡；仿真電離層效應(yīng)、對流層效應(yīng)、多路徑效應(yīng)、地球自轉(zhuǎn)效應(yīng)、相對論效應(yīng)等多種星地觀測誤差源對導(dǎo)航信號的影響，最終生成多頻點(diǎn)多類型的GNSS觀測數(shù)據(jù).該軟件平臺是新一代GNSS衛(wèi)星導(dǎo)航系統(tǒng)建設(shè)前期預(yù)研、方案論證和相關(guān)指標(biāo)確定的理想模擬工具，也是進(jìn)行多頻多模GNSS數(shù)據(jù)處理算法和多頻多模GNSS導(dǎo)航設(shè)備測試的理想工具，有著廣闊的應(yīng)用前景.

參考文獻(xiàn)：

〔1〕譚述森.北斗衛(wèi)星導(dǎo)航系統(tǒng)的發(fā)展與思考[J].宇航學(xué)報(bào)，2008(02).

〔2〕Hofmann-Wellenhof B, Lichtenegger H, Wasle E. GNSS-Global Navigation Satellite Systems GPS, GLONAS, Galileo, and more[M]. Springer, 2007.

〔3〕韓保民，歐吉坤，曲國慶.GPS觀測數(shù)據(jù)的模擬研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2005(03).

〔4〕匡翠林，鄒璇，李陶.利用IGS數(shù)據(jù)產(chǎn)品進(jìn)行高精度GPS觀測數(shù)據(jù)仿真[J].系統(tǒng)仿真學(xué)報(bào)，2007(12).

篇2

Abstract： In the view of the shortage of the Wavelet Neural Network Algorithm， adapt Adaptive Inertia Weight Particle Swarm Optimization Algorithm（AIW-PSO） as a study algorithm， build the AIW-PSO Wavelet Neural Network Model to predict the Shanghai stock Index.， and make a comparison between the results of improved algorithm prediction model with results of traditional Wavelet Neural Network Model. The results show that the AIW-PSO Wavelet Neural Network Prediction Model has better prediction results on the Shanghai Stock Index.

關(guān)鍵詞： 自適應(yīng)慣性權(quán)重粒子群優(yōu)化算法；小波神經(jīng)網(wǎng)絡(luò)；上證指數(shù)預(yù)測

Key words： Adaptive Inertia Weight Particle Swarm Optimization；Wavelet Neural Network；Shanghai Stock Index Prediction

中圖分類號：F832.5；F224 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-4311（2014）08-0006-03

0 引言

股票市場預(yù)測是一個(gè)非線性函數(shù)值估計(jì)和外推問題，隨著股市預(yù)測問題的復(fù)雜性增高，僅僅依靠傳統(tǒng)的預(yù)測方法或是單一的人工智能模型已經(jīng)不足以達(dá)到人們所期望的要求。近年來，學(xué)者們試圖將多種股市預(yù)測技術(shù)結(jié)合，使它們優(yōu)劣互補(bǔ)，從而達(dá)到更加理想的股市預(yù)測效果。殷光偉、藺玉佩[1]應(yīng)用小波理論對混沌模型預(yù)測的結(jié)果予以重構(gòu)，實(shí)現(xiàn)對原始收益率的預(yù)測，結(jié)果有了更高的精度。王剛[2]等利用小波將股指數(shù)據(jù)進(jìn)行去噪處理，然后利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測分析，試驗(yàn)結(jié)果精準(zhǔn)度相對于BP神經(jīng)網(wǎng)絡(luò)方法更高、效果更好。劉海珗[3]等將AR模型、RBF和GRNN神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較，結(jié)果表明若神經(jīng)網(wǎng)絡(luò)選擇恰當(dāng)?shù)膶W(xué)習(xí)算法時(shí)，對上證指數(shù)預(yù)測結(jié)果會更優(yōu)越。肖冬榮等[4]采用PSO算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)對股市進(jìn)行預(yù)測，實(shí)證結(jié)果表明改進(jìn)算法易實(shí)現(xiàn)且預(yù)測精度高。文獻(xiàn)[5、6]提出了將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合對股市價(jià)格進(jìn)行預(yù)測，實(shí)證仿真結(jié)果證實(shí)該改進(jìn)模型的優(yōu)越性。Yoshinori[7]等將小波系數(shù)作為特征量輸入于多階段模糊推理系統(tǒng)中，并價(jià)格漲落進(jìn)行預(yù)測。Taeksoo[8]等利用遺傳算法和神經(jīng)網(wǎng)絡(luò)將小波系數(shù)加權(quán)后作為特征量預(yù)測匯率，效果同樣相對較好。而隨著小波神經(jīng)網(wǎng)絡(luò)快速發(fā)展，這些年來其優(yōu)越的性能使其得到了廣泛的應(yīng)用，但其學(xué)習(xí)算法的一些缺陷對其在股市預(yù)測中的應(yīng)用得到了限制。而本文所提出的一種自適應(yīng)粒子群優(yōu)化算法尋優(yōu)等能力突出、簡單易實(shí)現(xiàn)等優(yōu)勢會克服原有缺陷，而將AIW-PSO算法與小波神經(jīng)網(wǎng)絡(luò)結(jié)合后的新技術(shù)將會成為一種全新的、更優(yōu)越的股票市場預(yù)測方法。

1 自適應(yīng)慣性權(quán)重粒子群優(yōu)化算法

自從粒子群算法被提出以來不少學(xué)者也是提出各種各樣的改進(jìn)算法來克服其收斂快、容易陷入局部極小值等缺點(diǎn)。如通過產(chǎn)生多子群、增加自適應(yīng)變異、魚群算法中聚群行為、混沌理論等去改進(jìn)粒子群，但在這么多改進(jìn)算法中必然會存在一些如相互結(jié)合的算法之間的性能相互抵消及相互影響等情況，從而導(dǎo)致改進(jìn)算法在做預(yù)測時(shí)的結(jié)果出現(xiàn)一種“假”的精度高等現(xiàn)象。故本文結(jié)合文獻(xiàn)[9、10]中所提出的一種自適應(yīng)慣性權(quán)重粒子群優(yōu)化算法，選擇該方法作為小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，來指導(dǎo)小波神經(jīng)網(wǎng)絡(luò)的模型擬合。

由PSO算法的基本原理中粒子的位置和速度方程可知，其中ω是為非負(fù)數(shù)的慣性權(quán)重，它使粒子保持運(yùn)動慣性，使其具有擴(kuò)展收縮空間的趨勢，有助于新區(qū)域的搜索。設(shè)ωmax為最大慣性權(quán)重，ωmin為最小慣性權(quán)重，k為當(dāng)前迭代次數(shù)，kmax為算法迭代總次數(shù)，則自適應(yīng)慣性權(quán)重ω的方程如下：

ω=ωmax-k（ωmax-ωmin）/kmax

根據(jù)個(gè)體粒子的尋優(yōu)能力，給出自適應(yīng)慣性權(quán)重來調(diào)整全局搜索能力和局部開發(fā)能力。每一維每個(gè)粒子在每次迭代時(shí)都有不同的慣性權(quán)重，這對于提高收斂精度上有較好的效果。而實(shí)際應(yīng)用中常將慣性因子ωmax和ωmin分別設(shè)為0.9和0.4。

2 基于AIW-PSO小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型

由上述AIW-PSO算法原理及算法流程，本小節(jié)試圖將AIW-PSO算法的尋優(yōu)機(jī)制作為學(xué)習(xí)策略添加到小波神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，構(gòu)建AIW-PSO小波神經(jīng)網(wǎng)絡(luò)，令小波神經(jīng)網(wǎng)絡(luò)和AIW-PSO算法相互取長補(bǔ)短。對于小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)問題，輸入層節(jié)點(diǎn)數(shù)為m，隱含層節(jié)點(diǎn)數(shù)為n，輸出層節(jié)點(diǎn)數(shù)為k，則優(yōu)化維度D=n×m+k×n+n+n。假設(shè)1：輸入層到隱含層的權(quán)值矩陣為Wkj，隱含層和輸出層的權(quán)值矩陣Wji；假設(shè)2：小波基函數(shù)平移系數(shù)bj，向量為B1=（b1，b2，…，bj）；小波基函數(shù)伸縮系數(shù)aj，向量為B2=（a1，a2，…，aj）；故單個(gè)粒子在維度上的順序編碼為包括以上假設(shè)1和假設(shè)2中的矩陣和向量中的所有元素的一行或一列的向量x=（W11，…，Wkj，W11，…，Wji b1，…，bj，a1，…，aj）。

優(yōu)化單隱層小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的主要步驟和基本流程為：

步驟1：對小波神經(jīng)網(wǎng)絡(luò)的權(quán)值、小波基函數(shù)平移系數(shù)和伸縮系數(shù)進(jìn)行結(jié)構(gòu)編碼，使其對應(yīng)于AIW-PSO算法中的個(gè)體；

步驟2：將權(quán)值和小波基函數(shù)平移系數(shù)和伸縮系數(shù)的取值區(qū)間賦予AIW-PSO算法的種群，隨機(jī)初始化種群；

步驟3：結(jié)合問題，設(shè)定網(wǎng)絡(luò)類型、結(jié)構(gòu)、小波基函數(shù)及初始化各項(xiàng)參數(shù)，生成新的網(wǎng)絡(luò)模型；

步驟4：分別將種群的維度信息解碼為網(wǎng)絡(luò)模型各項(xiàng)參數(shù)，對網(wǎng)絡(luò)進(jìn)行仿真輸出，計(jì)算均方誤差MSE作為算法的適應(yīng)度；

步驟5：按照AIW-PSO算法的尋優(yōu)方式進(jìn)行迭代，直到某一個(gè)體的適應(yīng)度滿足要求，或達(dá)到最大迭代步數(shù)則終止算法；

步驟6：將算法的最優(yōu)解解碼給小波神經(jīng)網(wǎng)絡(luò)，得到經(jīng)過優(yōu)化后的WNN模型，進(jìn)行預(yù)測。

AIW-PSO算法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)模型的基本流程如圖1所示。

3 應(yīng)用分析

股票指數(shù)時(shí)間序列是一個(gè)很不穩(wěn)定的動態(tài)變化過程，其影響因素眾多，其中包括如宏觀、微觀、政治、經(jīng)濟(jì)等因素。如何在上述眾多的影響因素中選取主要影響指標(biāo)作為上證指數(shù)預(yù)測模型的輸入變量將會是一個(gè)十分關(guān)鍵的問題。根據(jù)文獻(xiàn)中和現(xiàn)實(shí)股票市場情況，輸出變量選為第t 日的收盤價(jià)，而影響指標(biāo)選取為上證指數(shù)第t-1日的開盤價(jià)、最低價(jià)、最高價(jià)、收盤價(jià)和交易量信息共五個(gè)。實(shí)驗(yàn)數(shù)據(jù)選取多少應(yīng)看所預(yù)測的指數(shù)。過多會增加收集，過少則可能導(dǎo)致結(jié)果偏差。故本文所采集的數(shù)據(jù)是從2010年8月6日至2011年8月6日的一年的共243組上證指數(shù)序列，其中前195組用來訓(xùn)練，后48 組用來預(yù)測。為了消除數(shù)據(jù)之間的影響，本文利用歸一化函數(shù)將原始數(shù)據(jù)的序列歸一化到[-1，1]之間，再利用反歸一化函數(shù)將模擬結(jié)果還原到上證指數(shù)的時(shí)間序列。本文選取的WNN隱含層激勵(lì)函數(shù)為最常用的具有良好的時(shí)頻局部性的Morlet小波，而各層神經(jīng)元數(shù)根據(jù)預(yù)測的上證指數(shù)和影響指標(biāo)個(gè)數(shù)設(shè)為：輸入層為5，輸出層為1。根據(jù)經(jīng)驗(yàn)公式及反復(fù)測試后隱含層小波基函數(shù)個(gè)數(shù)取10，此時(shí)AIW-PSO算法中粒子維度D為80，粒子個(gè)數(shù)S=40，粒子個(gè)體參數(shù)初始為（-1，1）的數(shù)值，常數(shù)c1=c2=2，本文中常將粒子最大速度Vmax初始化為0.5，粒子位置的最大值Xmax 確定為1，最大迭代次數(shù)kmax為500。

為了而體現(xiàn)改進(jìn)算法預(yù)測的優(yōu)越性，固將AIW-PSO小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型與傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行對比。兩種預(yù)測模型程序在matlab2012a工具環(huán)境下分別進(jìn)行5次測試，測試結(jié)果如表1所示。

由實(shí)驗(yàn)各項(xiàng)結(jié)果可知，基于小波神經(jīng)網(wǎng)絡(luò)的模型結(jié)果不太穩(wěn)定，波動較大，MAPE值在1.53%-9.03%之間。為了體現(xiàn)AIW-PSO小波神經(jīng)網(wǎng)絡(luò)的優(yōu)越性，在此我們?nèi)≡撃Ｐ妥詈玫念A(yù)測結(jié)果，即預(yù)測誤差百分比MAPE為1.53%，此時(shí)訓(xùn)練樣本的均方誤差MSE指標(biāo)為0.0163，測試樣本的預(yù)測結(jié)果見圖2。對于AIW-PSO小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測結(jié)果來說，無論是在預(yù)測結(jié)果穩(wěn)定性和預(yù)測精度方面都較小波神經(jīng)網(wǎng)絡(luò)有明顯提高，5次測試中MAPE值都在0.99%-1.25%之間，足以說明該預(yù)測模型的優(yōu)越性，測試樣本的預(yù)測結(jié)果見圖3。

4 結(jié)語

用自適應(yīng)慣性權(quán)重粒子群優(yōu)化算法訓(xùn)練小波神經(jīng)網(wǎng)絡(luò)能夠起到很好的網(wǎng)絡(luò)權(quán)值和系數(shù)優(yōu)化效果，而兩種算法預(yù)測模型結(jié)果對比分析表明，本文所建立AIW-PSO小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型無論是在測試MAPE、預(yù)測穩(wěn)定性、預(yù)測精度上都相對傳統(tǒng)小波神經(jīng)網(wǎng)絡(luò)優(yōu)越。說明AIW-PSO小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有更加優(yōu)越的性能，將會是成為股市預(yù)測的一種新型混合算法預(yù)測工具。

參考文獻(xiàn)：

[1]殷光偉，鄭丕諤.基于小波與混沌集成的中國股票市場預(yù)測[J].系統(tǒng)工程理論方法應(yīng)用，2004，13（6）：554-547.

[2]王剛，許曉兵.基于小波分析與神經(jīng)網(wǎng)絡(luò)時(shí)間序列的股票預(yù)測方法[J].金融經(jīng)濟(jì)，2013，4（12）：161-162.

[3]劉海珗，白艷萍.時(shí)間序列模型和神經(jīng)網(wǎng)絡(luò)模型在股票預(yù)測中的分析[J].數(shù)學(xué)的實(shí)踐與認(rèn)識，2011，3（2）：14-19.

[4]肖冬榮，楊子天.基于粒子群訓(xùn)練的神經(jīng)網(wǎng)絡(luò)股票預(yù)測模型[J].統(tǒng)計(jì)與決策，2009，12（2）：20-22.

[5]孟祥澤，劉新勇，車海平，袁著祉.基于遺傳算法的模糊神經(jīng)網(wǎng)絡(luò)股市建模與預(yù)測[J].信息與控制，1997，13（10）：388-392.

[6]歐陽林群.GA神經(jīng)網(wǎng)絡(luò)在證券市場預(yù)測中的應(yīng)用研究[J].湖北武漢理工大學(xué)學(xué)報(bào)（信息與管理工程版），2006，28（11）：160-163.

[7]Yoshinori K， Shozo.T. Prediction of Stock Trends by Using the Wavelet Transform and the Multi-stage Fuzzy Inferenle System Optimized by the GA[J]. IEICE Trams Fundamentals， 2000， 83（2）： 357-366.

[8]Taeksoo S，Ingoo H. Optimal signal multi-resolution by genetic algorithm to Support Artificial neural network for exchange rate forecasting[J]. Expert System with Applications， 2000， 18（4）： 257-269.