【正文】 ： ? ? ? ?bm a x,bm i n,Bn,am a x,am i n,Anp o s t m n m xB,A ? 這個函數(shù)的作用是將前面 premnmx 函數(shù)所歸一化后的數(shù)據來進行反歸一化的處理。 另外， MATLAB 工具箱中還提供了 tramnmx 函數(shù)，該函數(shù)的作用是利用預先計算的最大最小值對數(shù)據進行變換。該函數(shù)適用于向已經訓練好了的網絡加入新的輸入向量的情形。 BP 神經網絡進行股市預測的準備 (1) 初始數(shù)據的選取 為了驗證本文提出的基于改進 BP 算法的股市預測模型的準確性，本篇文章將武漢鋼 鐵的股票數(shù)據作為預測對象。選取前 280 組數(shù)據作 為網絡訓練的樣本，然后將剩下的 40組數(shù)據作為網絡預測的樣本，用來評估本文所建立 BP 神經網絡模型性能的優(yōu)劣。輸入量選取前一天的開盤價、最高價、最低價、每五日的平均價以及收盤價 5 個變量，輸出量選取第二天股票的收盤價。 (2) BP 神經網絡模型的建立 首先建立基于改進 BP 算法的預測模型，選用三層網絡結構構成 BP 網絡：輸入層、一 個隱層和輸出層。本文中采用 5 個輸入層節(jié)點， 3 個隱含層節(jié)點和 1 個輸出層節(jié)點。 初始權值采用 Rand 函數(shù)生成的隨機數(shù)，激活函數(shù)選擇的是式（ 35）所示的連續(xù)可微的 sigmoidtan? 型函數(shù)。訓練終止條件設置為最大許可誤差 E? 或者為訓練次數(shù) ? 200次。設定學習速率初始值為 ?? ，設定動量因子 ? 的初始值為 。 BP 網絡預測的仿真及結果分析 原始數(shù)據 武鋼股份股票價格部分歷史數(shù)據 (共 221 組 )： 日期 開盤 最高 最低 MA1 收盤 2022511 青島大學本科生畢業(yè)論文（設計） 21 2022514 2022515 2022516 2022517 2022521 2022522 2022523 2022524 2022525 2022528 2022529 2022530 2022531 202261 202264 202265 202266 202267 202268 2022611 2022612 2022613 2022614 2022618 2022619 2022620 2022621 2022625 2022626 2022627 2022628 2022629 202272 202273 202274 202275 202276 202279 2022710 2022711 2022712 2022713 2022716 2022717 2022718 2022719 青島大學本科生畢業(yè)論文（設計） 22 2022720 2022723 2022724 2022725 2022726 2022727 2022730 2022731 202281 202282 202283 202286 202287 202288 202289 2022810 2022813 2022814 2022815 2022816 2022817 2022820 2022821 2022822 2022823 2022824 2022827 2022828 2022829 2022830 2022831 202293 202294 202295 202296 202297 2022910 2022911 2022912 2022913 2022914 2022917 2022918 2022919 2022920 2022921 青島大學本科生畢業(yè)論文（設計） 23 2022924 2022925 2022926 2022927 2022928 2022108 2022109 20221010 20221011 20221012 20221015 20221016 20221017 20221018 20221019 20221022 20221023 20221024 20221025 20221026 20221029 20221127 20221128 20221129 20221130 2022123 2022124 2022125 2022126 2022127 20221210 20221211 20221212 20221213 20221214 20221217 20221218 20221219 20221220 20221221 20221224 20221225 20221226 20221227 20221228 20221231 青島大學本科生畢業(yè)論文（設計） 24 202214 202217 202218 202219 2022110 2022111 2022114 2022115 2022116 2022117 2022118 2022121 2022122 2022123 2022124 2022125 2022128 2022129 2022130 2022131 3 3 202221 202224 3 3 202225 202226 202227 202228 3 2022218 3 2022219 2022220 2022221 2022222 2022225 2022226 2022227 2022228 202231 202234 202235 202236 202237 202238 2022311 2022312 2022313 2022314 2022315 青島大學本科生畢業(yè)論文（設計） 25 2022318 2022319 2022320 2022321 2022322 2022325 2022326 2022327 2022328 2022329 202241 202242 202243 202248 202249 2022410 2022411 2022412 2022415 2022416 2022417 2022418 2022419 2022422 2022423 2022424 2022425 2022426 202252 202253 202256 202257 202258 202259 2022510 2022513 仿真結果 (1) 訓練誤差趨勢圖 青島大學本科生畢業(yè)論文（設計） 26 0 20 40 60 80 100 120 140 160 180 2001041031021011001011022 0 0 E p o c h sTrainingBlue GoalBlackP e r f o r m a n c e i s 0 . 0 0 1 1 6 6 9 5 , G o a l i s 0 . 0 0 1 圖 41 標準 BP 網絡訓練誤差趨勢圖 0 20 40 60 80 100 120 140 160 180 2001041031021011001011022 0 0 E p o c h sTrainingBlue GoalBlackP e r f o r m a n c e i s 0 . 0 0 1 0 8 2 0 6 , G o a l i s 0 . 0 0 1 圖 42 改進 BP 網絡訓練誤差趨勢圖 (2) 預測輸出及實際輸出圖形： 青島大學本科生畢業(yè)論文（設計） 27 0 5 10 15 20 25 30 35 4000 . 511 . 522 . 53輸入數(shù)據輸出數(shù)據預測效果預測輸出實際輸出 圖 43 標準 BP 網絡輸出圖形 0 5 10 15 20 25 30 35 4000 . 511 . 522 . 53輸入數(shù)據輸出數(shù)據預測效果預測輸出實際輸出 圖 44 改進 BP 網絡輸出圖形 (3) 誤差曲線： 青島大學本科生畢業(yè)論文（設計） 28 0 5 10 15 20 25 30 35 4000 . 0 0 10 . 0 0 20 . 0 0 30 . 0 0 40 . 0 0 50 . 0 0 60 . 0 0 70 . 0 0 80 . 0 0 90 . 0 1誤差曲線 圖 45 標準 BP 網絡誤差曲線 0 5 1