CN111930844B - 基于区块链和人工智能的金融预测*** - Google Patents

基于区块链和人工智能的金融预测*** Download PDF

Info

Publication number
CN111930844B
CN111930844B CN202010800385.5A CN202010800385A CN111930844B CN 111930844 B CN111930844 B CN 111930844B CN 202010800385 A CN202010800385 A CN 202010800385A CN 111930844 B CN111930844 B CN 111930844B
Authority
CN
China
Prior art keywords
financial
data
particle
value
iteration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010800385.5A
Other languages
English (en)
Other versions
CN111930844A (zh
Inventor
刘星
罗忠明
肖岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiao Yan
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202010800385.5A priority Critical patent/CN111930844B/zh
Publication of CN111930844A publication Critical patent/CN111930844A/zh
Application granted granted Critical
Publication of CN111930844B publication Critical patent/CN111930844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/06—Asset management; Financial planning or analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Technology Law (AREA)
  • General Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于区块链和人工智能的金融预测***，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测。本发明的有益效果为：实现了对金融时间序列走势的有效预测，对于政府、投资机构和投资者均有着重要的意义。

Description

基于区块链和人工智能的金融预测***
技术领域
本发明创造涉及金融领域，具体涉及一种基于区块链和人工智能的金融预测***。
背景技术
时间序列是各行各业的数据按照不同的时间间隔依次、连续产生的，它们通常包含着丰富且复杂的信息。由于人们需要从时间序列中获取有价值的信息，因此时间序列分析技术应运而生。时间序列分析领域的关键一环是预测，时间序列预测是根据数据的历史规律以及变化趋势，对未来数据的发展状况做出合理的推测。金融时间序列是金融领域中最重要的数据，对这类数据进行分析、预测在金融投资决策与风险管理中具有重要的意义。
发明内容
针对上述问题，本发明旨在提供一种基于区块链和人工智能的金融预测***。
本发明创造的目的通过以下技术方案实现：
一种基于区块链和人工智能的金融预测***，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化；定义所述粒子群算法采用下列方式进行更新：
vi(t+1)＝ωi(t)vi(t)+c1r1(pi(t)-xi(t))+c2r2(g(t)-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
式中，ωi(t)表示粒子i在第t次迭代时的惯性权重因子，vi(t+1)和xi(t+1)分别表示粒子i在第(t+1)次迭代时的步长和位置，vi(t)和xi(t)分别表示粒子i在第t次迭代时的步长和位置，c1和c2表示学习因子，r1和r2表示0到1之间的随机数，g(t)表示粒子群在第t次迭代时的全局最优解，p′i(t)表示粒子i在第t次迭代时的局部学习解，且p′i(t)的值采用下列方式确定：
设P(t)表示粒子群中粒子在第t次迭代时的个体最优解的集合，且P(t)＝{pi(t)，i＝1，2，...，N}，其中，pi(t)表示粒子i在第t次迭代时的个体最优解，N表示粒子群中的粒子数；设M(t)表示设置的粒子群算法在第t次迭代时的局部分类数，且
Figure BDA0002627167390000021
定义个体最优解pi(t)对应的局部检测系数为εi(t)，且εi(t)的表达式为：
Figure BDA0002627167390000022
式中，xl(t)表示粒子l在第t次迭代时的位置，ρ1(pi(t)，xl(t))表示第一取值函数，d(pi(t)，xl(t))表示个体最优解pi(t)和位置xl(t)之间的欧式距离，当d(pi(t)，xl(t))≤D时，则ρ1(pi(t)，xl(t))＝1，当d(pi(t)，xl(t))＞D时，则ρ1(pi(t)，xl(t))＝0，其中，D为给定的距离阈值，且
Figure BDA0002627167390000023
其中，pj(t)表示粒子j在第t次迭代时的个体最优解，d(pi(t)，pj(t))表示个体最优解pi(t)和个体最优解pj(t)之间的欧式距离，pi(e)表示粒子i在第e次迭代时的个体最优解，ρ2(pi(t)，pi(e))表示第二取值函数，当pi(t)＝pi(e)时，则ρ2(pi(t)，pi(e))＝1，当pi(t)≠pi(e)时，则ρ2(pi(t)，pi(e))＝0，hi(t)表示粒子i在第t次迭代时的适应度函数值，hmax(t)和hmin(t)分别表示粒子群中粒子在第t次迭代时的最大适应度函数和最小适应度函数值；
将集合P(t)中的个体最优解按其局部检测系数的值由小到大进行排序，选取前M(t)个个体最优解作为候选局部学习解，并将选取的M(t)个候选局部学习解组成集合P′(t)，粒子群中的粒子在集合P′(t)中选取距离其最近的候选局部学习解作为其对应的局部学习解，即
Figure BDA0002627167390000024
Figure BDA0002627167390000025
其中，pr(t)表示粒子r在第t次迭代时的个体最优解，d(xi(t)，pr(t))表示位置xi(t)和个体最优解pr(t)之间的欧式距离。
优选地，定义所述粒子群算法的适应度函数h为：
Figure BDA0002627167390000026
式中，yu表示第u个训练样本的输出值，ou表示第u个训练样本的目标值，M表示训练样本的个数。
优选地，粒子i在第t次时的惯性权重因子ωi(t)的表达式为：
Figure BDA0002627167390000031
式中，ωmax和ωmin分别表示最大惯性权重因子和最小惯性权重因子，t表示当前迭代次数，Tmax表示最大迭代次数，δi(t)表示粒子i在第t次迭代时的惯性权重调节因子，设xi(t-2)表示粒子i在第(t-2)次迭代时的位置，xi(t-1)表示粒子i在第(t-1)次迭代时的位置，定义αi(t)表示粒子i在第t次迭代时的前进属性值，βi(t)表示粒子i在第t次迭代时的寻优属性值，且
Figure BDA0002627167390000032
βi(t)＝ρ5(pi(t)，pi(t-1))，其中，d(xi(t-1)，g(t))表示位置xi(t-1)和全局最优解g(t)之间的欧式距离，d(xi(t)，g(t))表示位置xi(t)和全局最优解g(t)之间的欧式距离，d(xi(t-1)，xi(t-2))表示位置xi(t-1)和位置xi(t-2)之间的欧式距离，d(xi(t)，xi(t-2))表示位置xi(t)和位置xi(t-2)之间的欧式距离，
Figure BDA0002627167390000033
表示第三取值函数，当
Figure BDA0002627167390000034
时，则
Figure BDA0002627167390000035
否则，
Figure BDA0002627167390000036
表示第四取值函数，当
Figure BDA0002627167390000037
时，则
Figure BDA0002627167390000038
否则，
Figure BDA0002627167390000039
pi(t-1)表示粒子i在第(t-1)次迭代时的个体最优解，ρ5(pi(t)，pi(t-1))表示第五取值函数，当pi(t)＝pi(t-1)时，则ρ5(pi(t)，pi(t-1))＝1，当pi(t)≠pi(t-1)时，则ρ5(pi(t)，pi(t-1))＝0；
设τi(t)表示在第t次迭代之前且距离第t次迭代最近一次粒子i的惯性权重调节因子等于-1时的迭代次数，则δi(t)的表达式为：
Figure BDA00026271673900000310
其中，
Figure BDA00026271673900000311
表示第六取值函数，给定阈值M(δ)，且
Figure BDA00026271673900000312
当
Figure BDA00026271673900000313
时，则
Figure BDA00026271673900000314
当
Figure BDA00026271673900000315
时，则
Figure BDA00026271673900000316
本发明创造的有益效果：
采用BP神经网络对金融时间序列的走势进行预测，并采用粒子群算法对金融预测模块中采用的BP神经网络的初始权值和阈值进行优化，对传统的粒子群的更新模式进行改进，相较于传统的在粒子的更新过程中令粒子向其个体最优解进行局部学习的方式，本优选实施例仅选取部分较优的个体最优解作为粒子局部学习的解，定义局部分类数M(t)和个体最优解对应的局部检测系数，定义的个体最优解对应的局部检测***通过综合考虑所述个体最优解的局部邻域中粒子的密度、所述个体最优解对应的停滞次数以及所述个体最优解的适应度函数值确定所述个体最优解成为局部学习解的概率，当所述个体最优解的局部邻域中的粒子的密度较小时，应加强对所述个体最优解的局部邻域的搜索，即增加该个体最优解成为局部学习解的概率，当所述个体最优解的停滞次数较多时，表明该位置具有较大可能性为局部最优解，因此，减小该个体最优解成为局部学习解的概率，当所述个体最优解的适应度函数值较小时，表明该个体最优解越好，因此，增加该个体最优解成为局部学习解的概率；设置的局部分类数的值随着迭代次数的增加而增加，即在迭代前期，在粒子群的个体最优解中选取较少的具有代表性的个体最优解作为粒子局部学习的对象，从而增加了粒子群算法的收敛速度，在粒子群算法的后期，在粒子群的个体最优解中选取较多的具有代表性的个体最优解作为粒子局部学习的对象，从而加强了粒子群算法的局部搜索能力；综上所述，本优选实施例在粒子群算法的更新过程中，引入局部学习解替代传统更新公式中的个体最优解作为粒子局部学习的对象，通过定义的局部分类数和个体最优解对应的局部检测系数选取部分较优的个体最优解作为粒子局部学习的对象，在加速了粒子群算法的收敛速度的同时，保证了粒子群算法的寻优能力；在粒子群算法的惯性权重因子中引入了惯性权重调节因子，当粒子在更新过程中出现返回现象时，将影响粒子群算法的收敛速度，当粒子在更新过程中的个体最优解不变时，表明粒子此时可能陷入了局部最优解，将影响粒子群算法的寻优性能，针对上述两种情况，本优选实施例定义的惯性权重调节因子中引入了粒子在当前迭代时的前进属性值和寻优属性值，所述前进属性值用于衡量粒子在迭代过程中的更新路线，相较于适应度函数值，欧式距离能够有效的反应粒子位置之间的距离关系，通过比较粒子连续三次迭代后的位置以及当前全局最优解之间的距离关系来判断粒子迭代更新后是否向着当前全局最优解的方向前进，当粒子在当前迭代时的位置相较于前一次迭代时的位置距离当前全局最优解的距离更远，并且距离前两次迭代时的位置更近，即表明粒子在更新过程中出现了返回现象，此时，令粒子的前进属性值加1，即粒子的前进属性值记录了粒子在更新过程中出现的返回现象，所述寻优属性值用于衡量粒子在更新过程中的寻优性能，当粒子迭代更新后其个体最优解并没有变化时，表明该粒子可能陷入了局部最优值，此时，令粒子的寻优属性值加1，即粒子的寻优属性值记录了粒子在迭代过程中可能陷入局部最优解的次数，综上所述，粒子的惯性权重调节因子通过粒子的前进属性值和粒子的寻优属性值记录了粒子在迭代更新过程中出现的返回次数和陷入局部最优值的次数，当粒子在更新过程中出现的返回次数和陷入局部最优值的次数的和达到给定的阈值时，则令此时粒子的惯性权重调节因子的值等于-1，即使得粒子此时的惯性权重因子的值较大，从而使得粒子远离当前的位置，当粒子在更新过程中出现的返回次数和陷入局部最优值的次数的和小于给定的阈值时，则此时粒子的惯性权重调节因子的值等于0，即使得粒子仍然按照传统的惯性权重因子值进行迭代更新。
附图说明
利用附图对发明创造作进一步说明，但附图中的实施例不构成对本发明创造的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1是本发明结构示意图。
具体实施方式
结合以下实施例对本发明作进一步描述。
参见图1，本实施例的一种基于区块链和人工智能的金融预测***，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测，采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化；定义所述粒子群算法采用下列方式进行更新：
vi(t+1)＝ωi(t)vi(t)+c1r1(p′i(t)-xi(t))+c2r2(g(t)-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
式中，ωi(t)表示粒子i在第t次迭代时的惯性权重因子，vi(t+1)和xi(t+1)分别表示粒子i在第(t+1)次迭代时的步长和位置，vi(t)和xi(t)分别表示粒子i在第t次迭代时的步长和位置，c1和c2表示学习因子，r1和r2表示0到1之间的随机数，g(t)表示粒子群在第t次迭代时的全局最优解，p′i(t)表示粒子i在第t次迭代时的局部学习解，且p′i(t)的值采用下列方式确定：
设P(t)表示粒子群中粒子在第t次迭代时的个体最优解的集合，且P(t)＝{pi(t)，i＝1，2，...，N}，其中，pi(t)表示粒子i在第t次迭代时的个体最优解，N表示粒子群中的粒子数；设M(t)表示设置的粒子群算法在第t次迭代时的局部分类数，且
Figure BDA0002627167390000061
定义个体最优解pi(t)对应的局部检测系数为εi(t)，且εi(t)的表达式为：
Figure BDA0002627167390000062
式中，xl(t)表示粒子l在第t次迭代时的位置，ρ1(pi(t)，xl(t))表示第一取值函数，设d(pi(t)，xl(t))表示个体最优解pi(t)和位置xl(t)之间的欧式距离，当d(pi(t)，xl(t))≤D时，则ρ1(pi(t)，xl(t))＝1，当d(pi(t)，xl(t))＞D时，则ρ1(pi(t)，xl(t))＝0，其中，D为给定的距离阈值，且
Figure BDA0002627167390000063
其中，pj(t)表示粒子j在第t次迭代时的个体最优解，d(pi(t)，pj(t))表示个体最优解pi(t)和个体最优解pj(t)之间的欧式距离，pi(e)表示粒子i在第e次迭代时的个体最优解，ρ2(pi(t)，pi(e))表示第二取值函数，当pi(t)＝pi(e)时，则ρ2(pi(t)，pi(e))＝1，当pi(t)≠pi(e)时，则ρ2(pi(t)，pi(e))＝0，hi(t)表示粒子i在第t次迭代时的适应度函数值，hmax(t)和hmin(t)分别表示粒子群中粒子在第t次迭代时的最大适应度函数和最小适应度函数值；
将集合P(t)中的个体最优解按其局部检测系数的值由小到大进行排序，选取前M(t)个个体最优解作为候选局部学习解，并将选取的M(t)个候选局部学习解组成集合P′(t)，粒子群中的粒子在集合P′(t)中选取距离其最近的候选局部学习解作为其对应的局部学习解，即
Figure BDA0002627167390000064
Figure BDA0002627167390000065
其中，pr(t)表示粒子r在第t次迭代时的个体最优解，d(xi(t)，pr(t))表示位置xi(t)和个体最优解pr(t)之间的欧式距离。
本优选实施例采用粒子群算法对金融预测模块中采用的BP神经网络的初始权值和阈值进行优化，并对传统的粒子群的更新模式进行改进，相较于传统的在粒子的更新过程中令粒子向其个体最优解进行局部学习的方式，本优选实施例仅选取部分较优的个体最优解作为粒子局部学习的解，定义局部分类数M(t)和个体最优解对应的局部检测系数，定义的个体最优解对应的局部检测***通过综合考虑所述个体最优解的局部邻域中粒子的密度、所述个体最优解对应的停滞次数以及所述个体最优解的适应度函数值确定所述个体最优解成为局部学习解的概率，当所述个体最优解的局部邻域中的粒子的密度较小时，应加强对所述个体最优解的局部邻域的搜索，即增加该个体最优解成为局部学习解的概率，当所述个体最优解的停滞次数较多时，表明该位置具有较大可能性为局部最优解，因此，减小该个体最优解成为局部学习解的概率，当所述个体最优解的适应度函数值较小时，表明该个体最优解越好，因此，增加该个体最优解成为局部学习解的概率；设置的局部分类数的值随着迭代次数的增加而增加，即在迭代前期，在粒子群的个体最优解中选取较少的具有代表性的个体最优解作为粒子局部学习的对象，从而增加了粒子群算法的收敛速度，在粒子群算法的后期，在粒子群的个体最优解中选取较多的具有代表性的个体最优解作为粒子局部学习的对象，从而加强了粒子群算法的局部搜索能力；综上所述，本优选实施例在粒子群算法的更新过程中，引入局部学习解替代传统更新公式中的个体最优解作为粒子局部学习的对象，通过定义的局部分类数和个体最优解对应的局部检测系数选取部分较优的个体最优解作为粒子局部学习的对象，在加速了粒子群算法的收敛速度的同时，保证了粒子群算法的寻优能力。
优选地，定义所述粒子群算法的适应度函数h为：
Figure BDA0002627167390000071
式中，yu表示第u个训练样本的输出值，ou表示第u个训练样本的目标值，M表示训练样本的个数。
本优选实施例定义的粒子群的适应度函数的值越小，表明粒子的寻优结果越好。
优选地，粒子i在第t次时的惯性权重因子ωi(t)的表达式为：
Figure BDA0002627167390000072
式中，ωmax和ωmin分别表示最大惯性权重因子和最小惯性权重因子，t表示当前迭代次数，Tmax表示最大迭代次数，δi(t)表示粒子i在第t次迭代时的惯性权重调节因子，设xi(t-2)表示粒子i在第(t-2)次迭代时的位置，xi(t-1)表示粒子i在第(t-1)次迭代时的位置，定义αi(t)表示粒子i在第t次迭代时的前进属性值，βi(t)表示粒子i在第t次迭代时的寻优属性值，且
Figure BDA0002627167390000073
βi(t)＝ρ5(pi(t)，pi(t-1))，其中，d(xi(t-1)，g(t))表示位置xi(t-1)和全局最优解g(t)之间的欧式距离，d(xi(t)，g(t))表示位置xi(t)和全局最优解g(t)之间的欧式距离，d(xi(t-1)，xi(t-2))表示位置xi(t-1)和位置xi(t-2)之间的欧式距离，d(xi(t)，xi(t-2))表示位置xi(t)和位置xi(t-2)之间的欧式距离，
Figure BDA0002627167390000081
表示第三取值函数，当
Figure BDA0002627167390000082
时，则
Figure BDA0002627167390000083
否则，
Figure BDA0002627167390000084
表示第四取值函数，当
Figure BDA0002627167390000085
时，则
Figure BDA0002627167390000086
否则，
Figure BDA0002627167390000087
pi(t-1)表示粒子i在第(t-1)次迭代时的个体最优解，ρ5(pi(t)，pi(t-1))表示第五取值函数，当pi(t)＝pi(t-1)时，则ρ5(pi(t)，pi(t-1))＝1，当pi(t)≠pi(t-1)时，则ρ5(pi(t)，pi(t-1))＝0；
设τi(t)表示在第t次迭代之前且距离第t次迭代最近一次粒子i的惯性权重调节因子等于-1时的迭代次数，则δi(t)的表达式为：
Figure BDA0002627167390000088
其中，
Figure BDA0002627167390000089
表示第六取值函数，给定阈值M(δ)，且
Figure BDA00026271673900000810
当
Figure BDA00026271673900000811
时，则
Figure BDA00026271673900000812
当
Figure BDA00026271673900000813
时，则
Figure BDA00026271673900000814
本优选实施例在粒子群算法的惯性权重因子中引入了惯性权重调节因子，当粒子在更新过程中出现返回现象时，将影响粒子群算法的收敛速度，当粒子在更新过程中的个体最优解不变时，表明粒子此时可能陷入了局部最优解，将影响粒子群算法的寻优性能，针对上述两种情况，本优选实施例定义的惯性权重调节因子中引入了粒子在当前迭代时的前进属性值和寻优属性值，所述前进属性值用于衡量粒子在迭代过程中的更新路线，相较于适应度函数值，欧式距离能够有效的反应粒子位置之间的距离关系，通过比较粒子连续三次迭代后的位置以及当前全局最优解之间的距离关系来判断粒子迭代更新后是否向着当前全局最优解的方向前进，当粒子在当前迭代时的位置相较于前一次迭代时的位置距离当前全局最优解的距离更远，并且距离前两次迭代时的位置更近，即表明粒子在更新过程中出现了返回现象，此时，令粒子的前进属性值加1，即粒子的前进属性值记录了粒子在更新过程中出现的返回现象，所述寻优属性值用于衡量粒子在更新过程中的寻优性能，当粒子迭代更新后其个体最优解并没有变化时，表明该粒子可能陷入了局部最优值，此时，令粒子的寻优属性值加1，即粒子的寻优属性值记录了粒子在迭代过程中可能陷入局部最优解的次数，综上所述，粒子的惯性权重调节因子通过粒子的前进属性值和粒子的寻优属性值记录了粒子在迭代更新过程中出现的返回次数和陷入局部最优值的次数，当粒子在更新过程中出现的返回次数和陷入局部最优值的次数的和达到给定的阈值时，则令此时粒子的惯性权重调节因子的值等于-1，即使得粒子此时的惯性权重因子的值较大，从而使得粒子远离当前的位置，当粒子在更新过程中出现的返回次数和陷入局部最优值的次数的和小于给定的阈值时，则此时粒子的惯性权重调节因子的值等于0，即使得粒子仍然按照传统的惯性权重因子值进行迭代更新。
优选地，所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为F，对金融时间序列F中的金融数据进行依次处理，设f(k)表示金融时间序列F中当前待处理的金融数据，且f(k)表示金融时间序列F中的第k个金融数据，给定数据阈值ΔF(k)，其中，ΔF(k)可以设置为
Figure BDA0002627167390000091
根据给定的数据阈值ΔF(k)确定金融数据f(k)对应的参考数据序列F(k)，设根据给定的数据阈值ΔF(k)确定的参考数据序列F(k)＝{f(k-l+1)，f(k-l+2)，...，f(k-1)}，其中，f(k-l+1)、f(k-l+2)和f(k-1)分别表示金融时间序列F中的第(k-l+1)、(k-l+2)和第(k-1)个金融数据，(l-1)表示参数数据序列F(k)中的金融数据量；
设f(a)表示参考数据序列F(k)中的金融数据，且f(a)为金融时间序列F中的第a个金融数据，f(b)表示参考数据序列F(k)中的金融数据，且f(b)表示金融时间序列F中的第b个金融数据，其中，a≠b，则参考数据序列F(k)中的金融数据f(a)和金融数据f(b)满足：|f(a)-f(b)|≤ΔF(k)；
设
Figure BDA0002627167390000092
表示参考数据序列F(k)中金融数据的均值，设F′(k)表示金融数据f(k)的第一参考数据子序列，且F′(k)＝{f(k-m′)，f(k-m′+1)，...，f(k)}，其中，f(k-m′)表示金融时间序列F中的第(k-m′)个金融数据，f(k-m′+1)表示金融时间序列F中的第(k-m′+1)个金融数据，m′的值采用下列方式确定；
(1)当金融数据f(k)满足
Figure BDA0002627167390000093
时，采用下列方式确定m′的值：
Figure BDA0002627167390000094
其中，θ(k)表示当金融数据f(k)大于等于
Figure BDA0002627167390000095
时对应的序列检测函数，f(k-s)表示金融时间序列F中的第(k-s)个金融数据，
Figure BDA0002627167390000096
表示金融数据f(k-s)对应的第一比较函数，当
Figure BDA0002627167390000097
时，则
Figure BDA0002627167390000098
当
Figure BDA0002627167390000099
时，则
Figure BDA00026271673900000910
选取使得序列检测函数θ(k)＝1的最大m的值记为m′；
(2)当金融数据f(k)满足
Figure BDA0002627167390000101
时，采用下列方式确定m′的值：
Figure BDA0002627167390000102
其中，
Figure BDA0002627167390000103
表示当金融数据f(k)小于
Figure BDA0002627167390000104
时对应的序列检测函数，
Figure BDA0002627167390000105
表示金融数据f(k-s)对应的第二比较函数，当
Figure BDA0002627167390000106
时，则
Figure BDA0002627167390000107
当
Figure BDA0002627167390000108
时，则
Figure BDA0002627167390000109
选取使得序列检测函数
Figure BDA00026271673900001010
的最大m的值记为m′；
设F″(k)表示金融数据f(k)的第二参考数据子序列，且
Figure BDA00026271673900001011
Figure BDA00026271673900001012
其中，
Figure BDA00026271673900001013
表示金融时间序列F中的第
Figure BDA00026271673900001014
个金融数据，
Figure BDA00026271673900001015
表示金融时间序列F中的第
Figure BDA00026271673900001016
个金融数据，
Figure BDA00026271673900001017
Figure BDA00026271673900001018
表示金融时间序列F中的第
Figure BDA00026271673900001019
个金融数据；定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第一检测系数为Y1(k)，且Y1(k)的表达式为：
Figure BDA00026271673900001020
Figure BDA00026271673900001021
Figure BDA00026271673900001022
Figure BDA00026271673900001023
Figure BDA00026271673900001024
式中，Δf(k-m′)表示金融数据f(k-m′)在第一参考数据子序列F′(k)中的标准差，Δf(k)表示金融数据f(k)在第一参考数据子序列F′(k)中的标准差，
Figure BDA00026271673900001025
表示金融数据
Figure BDA00026271673900001026
在第二参考数据子序列F″(k)中的标准差，
Figure BDA00026271673900001027
表示金融数据
Figure BDA00026271673900001028
Figure BDA00026271673900001029
在第二参考数据子序列F″(k)中的标准差，
Figure BDA00026271673900001030
表示向上取整；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据、子序列F″(k)中的第二检测系数为Y2(k)，且Y2(k)的表达式为：
Figure BDA0002627167390000111
式中，
Figure BDA0002627167390000112
表示第一参考数据子序列F′(k)中金融数据的均值，
Figure BDA0002627167390000113
表示第二参考数据子序列F″(k)中金融数据的均值；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的异常检测函数为Y(k)，且Y(k)的表达式为：
Figure BDA0002627167390000114
当异常检测函数Y(k)的值满足：Y(k)≤0时，判定金融数据f(k)为正常金融数据，且金融数据f(k)的值保持不变；当异常检测函数Y(k)的值满足：Y(k)＞0时，判定金融数据f(k)为异常数据，且令
Figure BDA0002627167390000115
其中，f(k-c)表示金融时间序列F中的第(k-c)个金融数据。
本优选实施例用于去除所述金融时间序列中的噪声数据，对金融时间序列中的金融数据依次进行检测，判断所述金融数据是否为噪声数据，在对所述金融数据进行检测时，给定数据阈值用于确定待检测金融数据的参考数据序列，所述参考数据序列中的任两个金融数据之间的欧式距离都小于等于所述数据阈值，从而保证了参数数据序列中的金融数据的相似性，根据待检测金融数据和参考数据序列中金融数据均值的关系在所述参考数据序列中选取部分金融数据和待检测金融数据组成待检测金融数据的第一参考数据子序列，从而保证了所述第一参考数据子序列走势的统一性，选取第一参考数据子序列中间的部分金融数据组成待检测金融数据的第二参考子序列，当待检测金融数据为正常数据时，确定的第一参考数据子序列和第二参考数据子序列将有着相似的走势，根据该特性，定义所述金融数据在第一参考数据子序列和第二参考数据子序列中的第一检测系数和第二检测系数，所述第一检测系数通过将所述第一参考数据子序列的初始金融数据的标准差和第二参考数据子序列的初始金融数据的标准差、第一参考数据子序列的结尾金融数据的标准差(即待检测金融数据的标准差)和第二参考数据子序列的结尾金融数据的标准差进行比较，判断待检测金融数据的第一参考数据子序列和第二参考数据子序列走势的相似性，所述第二检测系数通过将第一参考数据子序列中金融数据的均值和第二参考数据子序列中金融数据的均值进行比较，从而判断第一参考数据子序列和第二参考数据子序列走势的相似性，定义待检测金融数据对应的异常检测函数，所述异常检测函数通过第一检测系数和第二检测系数比较所述第一参考数据子序列和第二参数数据子序列之间走势的相似性，从而判断待检测金融数据是否为噪声数据，考虑到当第二参考数据子序列的首尾数据距离第一参考数据子序列的首尾金融数据距离越远，第一参考数据子序列和第二参考数据子序列之间走势的相似性减小的情况，本优选实施例在待检测金融数据的异常检测函数中引入了正弦形式的修正系数对第一检测系数进行修正，使得待检测金融数据的异常检测函数能够更加的灵活，从而有效的提高了噪声数据的检测精度。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (5)

1.一种基于区块链和人工智能的金融预测***，其特征是，包括数据获取模块、数据预处理模块、区块链存储模块和金融预测模块，所述数据获取模块用于获取金融时间序列，并将获取的金融时间序列输入至数据预处理模块进行处理，所述数据预处理模块用于去除所述金融时间序列中的噪声数据，并将预处理后的金融时间序列传输至区块链存储模块进行存储，所述金融预测模块用于从区块链存储模块中调取所述金融时间序列，并根据所述金融时间序列对金融数据的走势进行预测，所述金融预测模块采用BP神经网络对金融时间序列的走势进行预测；采用粒子群算法对金融预测模块采用的BP神经网络的初始权值和阈值进行优化；定义所述粒子群算法采用下列方式进行更新：
vi(t+1)＝ωi(t)vi(t)+c1r1(p′i(t)-xi(t))+c2r2(g(t)-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
式中，ωi(t)表示粒子i在第t次迭代时的惯性权重因子，vi(t+1)和xi(t+1)分别表示粒子i在第(t+1)次迭代时的步长和位置，vi(t)和xi(t)分别表示粒子i在第t次迭代时的步长和位置，c1和c2表示学习因子，r1和r2表示0到1之间的随机数，g(t)表示粒子群在第t次迭代时的全局最优解，p′i(t)表示粒子i在第t次迭代时的局部学习解，且p′i(t)的值采用下列方式确定：
设P(t)表示粒子群中粒子在第t次迭代时的个体最优解的集合，且P(t)＝{pi(t)，i＝1，2，...，N}，其中，pi(t)表示粒子i在第t次迭代时的个体最优解，N表示粒子群中的粒子数；设M(t)表示设置的粒子群算法在第t次迭代时的局部分类数，且
Figure FDA0002869120460000011
定义个体最优解pi(t)对应的局部检测系数为εi(t)，且εi(t)的表达式为：
Figure FDA0002869120460000012
式中，xl(t)表示粒子l在第t次迭代时的位置，ρ1(pi(t)，xl(t))表示第一取值函数，d(pi(t)，xl(t))表示个体最优解pi(t)和位置xl(t)之间的欧式距离，当d(pi(t)，xl(t))≤D时，则ρ1(pi(t)，xl(t))＝1，当d(pi(t)，xl(t))＞D时，则ρ1(pi(t)，xl(t))＝0，其中，D为给定的距离阈值，且
Figure FDA0002869120460000013
其中，pj(t)表示粒子j在第t次迭代时的个体最优解，d(pi(t)，pj(t))表示个体最优解pi(t)和个体最优解pj(t)之间的欧式距离，pi(e)表示粒子i在第e次迭代时的个体最优解，ρ2(pi(t)，pi(e))表示第二取值函数，当pi(t)＝pi(e)时，则ρ2(pi(t)，pi(e))＝1，当pi(t)≠pi(e)时，则ρ2(pi(t)，pi(e))＝0，hi(t)表示粒子i在第t次迭代时的适应度函数值，hmax(t)和hmin(t)分别表示粒子群中粒子在第t次迭代时的最大适应度函数和最小适应度函数值；
将集合P(t)中的个体最优解按其局部检测系数的值由小到大进行排序，选取前M(t)个个体最优解作为候选局部学习解，并将选取的M(t)个候选局部学习解组成集合P′(t)，粒子群中的粒子在集合P′(t)中选取距离其最近的候选局部学习解作为其对应的局部学习解，即
Figure FDA0002869120460000021
Figure FDA0002869120460000022
其中，pr(t)表示粒子r在第t次迭代时的个体最优解，d(xi(t)，pr(t))表示位置xi(t)和个体最优解pr(t)之间的欧式距离。
2.根据权利要求1所述的一种基于区块链和人工智能的金融预测***，其特征是，定义所述粒子群算法的适应度函数h为：
Figure FDA0002869120460000023
式中，yu表示第u个训练样本的输出值，ou表示第u个训练样本的目标值，M表示训练样本的个数。
3.根据权利要求2所述的一种基于区块链和人工智能的金融预测***，其特征是，粒子i在第t次时的惯性权重因子ωi(t)的表达式为：
Figure FDA0002869120460000024
式中，ωmax和ωmin分别表示最大惯性权重因子和最小惯性权重因子，t表示当前迭代次数，Tmax表示最大迭代次数，δi(t)表示粒子i在第t次迭代时的惯性权重调节因子，设xi(t-2)表示粒子i在第(t-2)次迭代时的位置，xi(t-1)表示粒子i在第(t-1)次迭代时的位置，定义αi(t)表示粒子i在第t次迭代时的前进属性值，βi(t)表示粒子i在第t次迭代时的寻优属性值，且
Figure FDA0002869120460000025
βi(t)＝ρ5(pi(t)，pi(t-1))，其中，d(xi(t-1)，g(t))表示位置xi(t-1)和全局最优解g(t)之间的欧式距离，d(xi(t)，g(t))表示位置xi(t)和全局最优解g(t)之间的欧式距离，d(xi(t-1)，xi(t-2))表示位置xi(t-1)和位置xi(t-2)之间的欧式距离，d(xi(t)，xi(t-2))表示位置xi(t)和位置xi(t-2)之间的欧式距离，
Figure FDA0002869120460000026
表示第三取值函数，当
Figure FDA0002869120460000027
时，则
Figure FDA0002869120460000028
否则，
Figure FDA0002869120460000031
表示第四取值函数，当
Figure FDA0002869120460000032
时，则
Figure FDA0002869120460000033
否则，
Figure FDA0002869120460000034
pi(t-1)表示粒子i在第(t-1)次迭代时的个体最优解，ρ5(pi(t)，pi(t-1))表示第五取值函数，当pi(t)＝pi(t-1)时，则ρ5(pi(t)，pi(t-1))＝1，当pi(t)≠pi(t-1)时，则ρ5(pi(t)，pi(t-1))＝0；
设τi(t)表示在第t次迭代之前且距离第t次迭代最近一次粒子i的惯性权重调节因子等于-1时的迭代次数，则δi(t)的表达式为：
Figure FDA0002869120460000035
其中，
Figure FDA0002869120460000036
表示第六取值函数，给定阈值M(δ)，且
Figure FDA0002869120460000037
当
Figure FDA0002869120460000038
时，则
Figure FDA0002869120460000039
当
Figure FDA00028691204600000310
时，则
Figure FDA00028691204600000311
4.根据权利要求3所述的一种基于区块链和人工智能的金融预测***，其特征是，所述数据预处理模块用于去除金融时间序列中的噪声数据，设待处理的金融时间序列为F，对金融时间序列F中的金融数据进行依次处理，设f(k)表示金融时间序列F中当前待处理的金融数据，且f(k)表示金融时间序列F中的第k个金融数据，给定数据阈值ΔF(k)，其中，ΔF(k)设置为
Figure FDA00028691204600000312
根据给定的数据阈值ΔF(k)确定金融数据f(k)对应的参考数据序列F(k)，设根据给定的数据阈值ΔF(k)确定的参考数据序列F(k)＝{f(k-l+1)，f(k-l+2)，...，f(k-1)}，其中，f(k-l+1)、f(k-l+2)和f(k-1)分别表示金融时间序列F中的第(k-l+1)、(k-l+2)和第(k-1)个金融数据，(l-1)表示参数数据序列F(k)中的金融数据量；
设f(a)表示参考数据序列F(k)中的金融数据，且f(a)为金融时间序列F中的第a个金融数据，f(b)表示参考数据序列F(k)中的金融数据，且f(b)表示金融时间序列F中的第b个金融数据，其中，a≠b，则参考数据序列F(k)中的金融数据f(a)和金融数据f(b)满足：|f(a)-f(b)|≤ΔF(k)；
设
Figure FDA00028691204600000313
表示参考数据序列F(k)中金融数据的均值，F′(k)表示金融数据f(k)的第一参考数据子序列，且F′(k)＝{f(k-m′)，f(k-m′+1)，...，f(k)}，其中，f(k-m′)表示金融时间序列F中的第(k-m′)个金融数据，f(k-m′+1)表示金融时间序列F中的第(k-m′+1)个金融数据，m′的值采用下列方式确定；
(1)当金融数据f(k)满足
Figure FDA0002869120460000041
时，采用下列方式确定m′的值：
Figure FDA0002869120460000042
其中，θ(k)表示当金融数据f(k)大于等于
Figure FDA0002869120460000043
时对应的序列检测函数，f(k-s)表示金融时间序列F中的第(k-s)个金融数据，
Figure FDA0002869120460000044
表示金融数据f(k-s)对应的第一比较函数，当
Figure FDA0002869120460000045
时，则
Figure FDA0002869120460000046
当
Figure FDA0002869120460000047
时，则
Figure FDA0002869120460000048
选取使得序列检测函数θ(k)＝1的最大m的值记为m′；
(2)当金融数据f(k)满足
Figure FDA0002869120460000049
时，采用下列方式确定m′的值：
Figure FDA00028691204600000410
其中，
Figure FDA00028691204600000428
表示当金融数据f(k)小于
Figure FDA00028691204600000411
时对应的序列检测函数，
Figure FDA00028691204600000412
表示金融数据f(k-s)对应的第二比较函数，当
Figure FDA00028691204600000413
时，则
Figure FDA00028691204600000414
当
Figure FDA00028691204600000415
时，则
Figure FDA00028691204600000416
选取使得序列检测函数
Figure FDA00028691204600000429
的最大m的值记为m′。
5.根据权利要求4所述的一种基于区块链和人工智能的金融预测***，其特征是：
设F″(k)表示金融数据f(k)的第二参考数据子序列，且
Figure FDA00028691204600000417
Figure FDA00028691204600000418
其中，
Figure FDA00028691204600000419
表示金融时间序列F中的第
Figure FDA00028691204600000420
个金融数据，
Figure FDA00028691204600000421
表示金融时间序列F中的第
Figure FDA00028691204600000422
个金融数据，
Figure FDA00028691204600000423
Figure FDA00028691204600000424
表示金融时间序列F中的第
Figure FDA00028691204600000425
个金融数据；定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第一检测系数为Y1(k)，且Y1(k)的表达式为：
Figure FDA00028691204600000426
Figure FDA00028691204600000427
Figure FDA0002869120460000051
Figure FDA0002869120460000052
Figure FDA0002869120460000053
式中，Δf(k-m′)表示金融数据f(k-m′)在第一参考数据子序列F′(k)中的标准差，Δf(k)表示金融数据f(k)在第一参考数据子序列F′(k)中的标准差，
Figure FDA0002869120460000054
表示金融数据
Figure FDA0002869120460000055
在第二参考数据子序列F″(k)中的标准差，
Figure FDA0002869120460000056
表示金融数据
Figure FDA0002869120460000057
Figure FDA0002869120460000058
在第二参考数据子序列F″(k)中的标准差，
Figure FDA00028691204600000514
表示向上取整；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的第二检测系数为Y2(k)，且Y2(k)的表达式为：
Figure FDA0002869120460000059
式中，
Figure FDA00028691204600000510
表示第一参考数据子序列F′(k)中金融数据的均值，
Figure FDA00028691204600000511
表示第二参考数据子序列F″(k)中金融数据的均值；
定义金融数据f(k)在第一参考数据子序列F′(k)和第二参考数据子序列F″(k)中的异常检测函数为Y(k)，且Y(k)的表达式为：
Figure FDA00028691204600000512
当异常检测函数Y(k)的值满足：Y(k)≤0时，判定金融数据f(k)为正常金融数据，且金融数据f(k)的值保持不变；当异常检测函数Y(k)的值满足：Y(k)＞0时，判定金融数据f(k)为异常数据，且令
Figure FDA00028691204600000513
其中，f(k-c)表示金融时间序列F中的第(k-c)个金融数据。
CN202010800385.5A 2020-08-11 2020-08-11 基于区块链和人工智能的金融预测*** Active CN111930844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010800385.5A CN111930844B (zh) 2020-08-11 2020-08-11 基于区块链和人工智能的金融预测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010800385.5A CN111930844B (zh) 2020-08-11 2020-08-11 基于区块链和人工智能的金融预测***

Publications (2)

Publication Number Publication Date
CN111930844A CN111930844A (zh) 2020-11-13
CN111930844B true CN111930844B (zh) 2021-09-24

Family

ID=73306597

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010800385.5A Active CN111930844B (zh) 2020-08-11 2020-08-11 基于区块链和人工智能的金融预测***

Country Status (1)

Country Link
CN (1) CN111930844B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112532630B (zh) * 2020-11-30 2021-09-24 广州瘦吧网络科技有限公司 基于算法、5g和区块链的基因大数据疾病预测***
CN112530537B (zh) * 2020-12-15 2021-06-25 重庆中联信息产业有限责任公司 一种基于算法、医学影像和区块链的大健康管理平台
CN113065710A (zh) * 2021-04-09 2021-07-02 深圳市小金象科技有限公司 一种基于人工智能和区块链的金融预测***
CN112927085B (zh) * 2021-04-14 2021-10-26 广州经传多赢投资咨询有限公司 基于区块链、大数据和算法的股票风险预警***

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102625324A (zh) * 2012-03-08 2012-08-01 上海大学 基于粒子群算法的无线光纤传感器网络部署方法
CN103462605A (zh) * 2013-09-06 2013-12-25 南京邮电大学 一种生物电阻抗成像方法
CN105469144A (zh) * 2015-11-19 2016-04-06 东北大学 基于粒子分类与bp神经网络的移动通信用户流失预测方法
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN110488842A (zh) * 2019-09-04 2019-11-22 湖南大学 一种基于双向内核岭回归的车辆轨迹预测方法
CN111210082A (zh) * 2020-01-13 2020-05-29 东南大学 一种基于优化的bp神经网络算法的降水量预测方法
CN111209591A (zh) * 2019-12-31 2020-05-29 浙江工业大学 一种按时间排序的存储结构与快速查询的方法
CN111351801A (zh) * 2020-03-11 2020-06-30 春光线缆有限公司 一种电线电缆缺陷检测***
CN111586151A (zh) * 2020-04-30 2020-08-25 武汉钟码科技有限公司 基于区块链的智慧城市数据共享***及方法
CN111754267A (zh) * 2020-06-29 2020-10-09 蚌埠科睿达机械设计有限公司 基于区块链的数据处理方法及***

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107818224A (zh) * 2017-11-13 2018-03-20 浙江大学 基于果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法
CN107958073B (zh) * 2017-12-07 2020-07-17 电子科技大学 一种基于粒子集群算法优化的彩色图像检索方法
CN108388702A (zh) * 2018-01-30 2018-08-10 河南工程学院 基于pso神经网络的工程陶瓷电火花加工效果预测方法
CN109063938B (zh) * 2018-10-30 2021-11-26 浙江工商大学 基于psode-bp神经网络的空气质量预测方法
CN110668276B (zh) * 2019-08-29 2021-02-09 浙江理工大学 基于pso优化的bp神经网络预测电梯故障的方法
CN111081022A (zh) * 2019-12-30 2020-04-28 宁波财经学院 一种基于粒子群优化神经网络的交通流预测方法
CN111798061B (zh) * 2020-07-08 2020-12-29 深圳市荣亿达科技发展有限公司 基于区块链和云计算的金融数据预测***
CN111680107B (zh) * 2020-08-11 2020-12-08 上海竞动科技有限公司 一种基于人工智能和区块链的金融预测***

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102625324A (zh) * 2012-03-08 2012-08-01 上海大学 基于粒子群算法的无线光纤传感器网络部署方法
CN103462605A (zh) * 2013-09-06 2013-12-25 南京邮电大学 一种生物电阻抗成像方法
CN105469144A (zh) * 2015-11-19 2016-04-06 东北大学 基于粒子分类与bp神经网络的移动通信用户流失预测方法
CN106920008A (zh) * 2017-02-28 2017-07-04 山东大学 一种基于改进粒子群优化bp神经网络的风电功率预测方法
CN110488842A (zh) * 2019-09-04 2019-11-22 湖南大学 一种基于双向内核岭回归的车辆轨迹预测方法
CN111209591A (zh) * 2019-12-31 2020-05-29 浙江工业大学 一种按时间排序的存储结构与快速查询的方法
CN111210082A (zh) * 2020-01-13 2020-05-29 东南大学 一种基于优化的bp神经网络算法的降水量预测方法
CN111351801A (zh) * 2020-03-11 2020-06-30 春光线缆有限公司 一种电线电缆缺陷检测***
CN111586151A (zh) * 2020-04-30 2020-08-25 武汉钟码科技有限公司 基于区块链的智慧城市数据共享***及方法
CN111754267A (zh) * 2020-06-29 2020-10-09 蚌埠科睿达机械设计有限公司 基于区块链的数据处理方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于小波和PSO-BP神经网络的金融时序预测;苗旭东等;《信息技术》;20180525;26-29 *

Also Published As

Publication number Publication date
CN111930844A (zh) 2020-11-13

Similar Documents

Publication Publication Date Title
CN111930844B (zh) 基于区块链和人工智能的金融预测***
WO2022121289A1 (en) Methods and systems for mining minority-class data samples for training neural network
Dmochowski et al. Maximum Likelihood in Cost-Sensitive Learning: Model Specification, Approximations, and Upper Bounds.
CN109977895B (zh) 一种基于多特征图融合的野生动物视频目标检测方法
CN113326731A (zh) 一种基于动量网络指导的跨域行人重识别算法
CN111680107B (zh) 一种基于人工智能和区块链的金融预测***
CN109886343B (zh) 图像分类方法及装置、设备、存储介质
CN110991321B (zh) 一种基于标签更正与加权特征融合的视频行人再识别方法
WO2022252455A1 (en) Methods and systems for training graph neural network using supervised contrastive learning
CN113468539B (zh) 一种基于漏洞攻击数据库及决策树的攻击程序识别方法
US20220027786A1 (en) Multimodal Self-Paced Learning with a Soft Weighting Scheme for Robust Classification of Multiomics Data
CN112800232B (zh) 一种基于大数据的案件自动分类方法
Li et al. Source-free active domain adaptation via energy-based locality preserving transfer
Chan et al. Controlled false negative reduction of minority classes in semantic segmentation
CN115905855A (zh) 一种改进的元学习算法MG-Reptile
CN116258978A (zh) 一种自然保护区遥感影像弱标注的目标检测方法
Aarthi et al. Detection and classification of MRI brain tumors using S3-DRLSTM based deep learning model
EP3975062A1 (en) Method and system for selecting data to train a model
Zhang et al. Lancet: labeling complex data at scale
CN115174263B (zh) 攻击路径动态决策方法与装置
Narasimhan et al. Altered particle swarm optimization based attribute selection strategy with improved fuzzy Artificial Neural Network classifier for coronary artery heart disease risk prediction
CN115775231A (zh) 一种基于Cascade R-CNN的金具缺陷检测方法及***
CN115174170A (zh) 一种基于集成学习的vpn加密流量识别方法
CN113128659B (zh) 神经网络定点化方法、装置、电子设备及可读存储介质
CN115019083A (zh) 基于少样本学习的词嵌入图神经网络的细粒度图分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Liu Xing

Inventor after: Luo Zhongming

Inventor after: Xiao Yan

Inventor before: Liu Xing

Inventor before: Luo Zhongming

CB03 Change of inventor or designer information
TA01 Transfer of patent application right

Effective date of registration: 20210720

Address after: 161000 group 17, Huamin village, Huamin Township, Qiqihar City, Heilongjiang Province

Applicant after: Xiao Yan

Address before: 343400 No. 106, Beimen Road, prosperity Street, Hechuan Town, Yongxin County, Ji'an City, Jiangxi Province

Applicant before: Luo Zhongming

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant