10.3969/j.issn.1007-9807.2012.04.007
具有最优学习率的RBF神经网络及其应用
传统固定学习率的RBF神经网络在金融时间序列预测方面已经有比较成功的应用,但网络学习率的选择问题却给传统RBF神经网络的使用带来了不便.利用梯度下降法及优化方法推导出了RBF神经网络的动态最优学习率并将其应用于网络学习算法,具有最优学习率的RBF神经网络能够在保证网络稳定学习的同时兼顾网络的收敛速度.为了检验具有动态最优学习率的RBF神经网络的预测效果,对沪深300指数波动率进行了预测实验.实验结果表明,具有动态最优学习率的RBF神经网络比传统的固定学习率的RBF神经网络有着更快的收敛速度,同时也避免了人为选定学习率的不便.
RBF神经网络、最优学习率、梯度下降法
15
F830.91(金融、银行)
国家杰出青年科学基金资助项目71025005;国家自然科学基金重大研究计划培育项目90924024
2012-08-07(万方平台首次上网日期,不代表论文的发表时间)
共8页
50-57