1.2 研究现状

1.2.1国外研究状况

对于神经网络领域背景的研究工作开始于19世纪晚期和20世纪早期。该学术领域的领军研究学者有赫尔曼·冯·海姆霍尔特，恩斯特·马赫和伊凡·巴甫洛。1986年，大卫•鲁梅尔哈特、杰弗里•辛顿和罗纳德•威廉姆斯联合提出了一种具有里程碑意义的观点，证明反向传播算法通过在神经网络隐藏层的学习，可以有效的表达数据。基于这种观点，发明了一种新型的、基于前馈型神经计算模型的误差回传学习算法，即BP网咯。这一发现在学术界引起轩然大波，成为神经网络发展史上一个里程碑。

至此阶段，针对于神经网络的研究仍依旧停留在对自我学习、视觉和条件反射有关的理论研究，并没有重视有关神经网络隐层神经元工作的数学模型，这一度导致在人工神经网络模型的研究停滞不前。直至20世纪40年代，研究学者们抛开传统理念，引入了不同学科的数学工具， 沃伦•麦格罗克和沃尔特•皮茨第一次基于数学原理，论证了任何代数公式和逻辑函数都可以由人工神经网络计算得到，至此对神经网络的探究才真正开始，神经网络也逐渐成为为数据挖掘技术中最常用的算法之一。

神经网络模型主要有前馈式、反馈式、自组织等类型。其中，前馈式网络在预测、模式识别等方面较有优势；反馈式网络具有强大的联想记忆和优化计算功能，自组织网络用于聚类。除此之外，单隐含层前馈型神经网络以良好、快速的学习能力为优势，在实际生活中有着更为广泛的应用。

在国外，当代科学家常使用核主成分分析即主成分分析的改进算法，采用非线性方法提取主成分，与传统主成分分析相比，具有更好的识别性能。常运用于在高维空间提取人脸图像，得到更适合的分类特征。

1.2.2国内研究状况

人工神经网络由于其自身的并行计算特性及实时性，可以通过人工调整参数，达到该机其学习速度和精度的目的。探索一种泛化性能良好、能够获得全局最优解、并且训练速度快的训练算法，逐渐成为近几年来的研究难点与热点。

国内的著名学者在神经网络的理论研究上有着伟大建树，并且研究成果有在国际范围内有一定影响力，具有开创性意义。比如，我国的章毅教授、廖晓峰教授、曹进德教授等，对于时滞神经网络的稳定性、分叉和混沌理论的课题研究中，对神经网络的理论基础做出杰出贡献；

南洋理工大学黄广斌副教授于2004年首次提出极限学习机（extreme learning machine），简称ELM模型，作为一种新型单隐层前馈神经网络学习算法，它比传统算法更有效、学习时间更短。这种新的学习理论提出神经网络的学习可以不需要人为调整隐层节点参数。只要给定任何连续目标函数或可分类目标，神经网络就能任意逼近目标连续函数活对分类目标加以分类。

主成分分析法是一种常用降维技术，在实际工程应用中，广泛应用于处理高维变量的问题。不容小觑的是，我国主成分分析技术经过十几年的发展，对高光谱遥感矿物信息特征提取取得了很大进展，在国际市场中处于领先地位。

除此之外，主成分分析的光谱压缩特征提取方法常被运用于对大气污染情况做出分析。另外还有在人口、教育、地区的经济发展方面的科学技术研究。

2基于主成分分析的股票投资价值模型

2.1 主成分分析法原理

主成分分析法是一种把多维空间的相关多变量的数据集，降维简化成少量而相互独立的变量的统计方法，同时还要保证数据承载的信息完整，尽可能不损失原有指标的主要信息。主成分分析不依赖于人工设定权重系数，一方面可以消除各指标不同量纲之间的相互影响，另一方面可以消除各指标之间的多重共线性，消去冗余变量，减少模型复杂度。因此，主成分分析常运用于复杂的综合评价模型中。