加速失效时间模型下现状数据的Jackknife模型平均

文章研究了响应变量为现状数据的情况下,加速失效时间模型的Jackknife模型平均方法.首先对数据进行合理的无偏变换,进而得到回归参数的最小二乘估计.然后引入删一交叉验证准则来选取候选模型的权重,并在一定正则性条件下,建立对应模型平均估计量的渐近最优性.此外,数值模拟表明,与现有的其他模型平均和模型选择方法相比,本文所提出的方法在预测上表现更佳.最后将所提方法应用于尼日利亚儿童死亡率的数据进行实证研究,进一步验证了所提方法的优良性质.     

基于交叉验证的模型选择中投票和平均方法的对照

统计机器学习中评判模型好坏的准则,必须权衡模型的复杂度与训练数据的拟合优度.常用于评价模型好坏的方法包括AIC,BIC,Cp准则,交叉验证等.而在预测误差的估计中,使用最简单且最广泛的方法是交叉验证方法.考虑最广泛使用的标准K折交叉验证的两种选择方式:投票和平均.实验对照了模型选择中这两种不同的选择方式的差异,为将来人们在进行这两种方式的选择时作参考.     

高维纵向数据的模型平均估计

高维数据的模型选择是当今统计学研究的一个热点问题,但关于高维纵向数据方面的模型平均却少见研究,文章提出了一种利用删组交叉验证准则对高维纵向数据进行模型平均估计的方法,在最小化预测残差意义下,以删组交叉验证为准则,证明了其渐近最优性,并通过模拟研究表明,该模型平均方法在估计效果上要优于其它一些传统的模型选择和平均方法.     

基于信息增益和Bagging集成学习算法的个人信用评估模型研究

机器算法中存在许多不同类型和方式的运行模式,而在诸多算法之中,集成学习的算法是一种基于统计理论以计算机实现的良好机器学习方法.阐述了集成学习的基本思想和实现步骤,运用Bagging集成学习算法试图建立一个个人信用评估模型,以期取得更好的预测结果.运用信息增益法筛选指标,采用V折交叉确认法,利用UCI的信用数据对单个分类器、Bagging集成分类器模型的分类精度和稳健性进行试验比较.结果表明,Bagging-决策树有效的提高了样本的精确性,在个人信用评估的分析中占有较强的优势.     

融合注意力机制的残差网络晶体硅片分类方法

为了更好地利用晶体硅片资源,实现对晶体硅片准确高效的分类,提出了一种改进的ResNet34卷积神经网络,且用于对晶体硅片高清图像进行分类.通过拍摄晶体硅片高清图像建立自有数据集,并对其进行离线扩充来有效扩大数据集.基于ResNet34网络建立分类模型,采取自适应矩估计权重衰减优化算法(AdamW)来提高ResNet34网络的泛化能力,同时将注意力机制的方法融入到ResNet34网络中增强模型的特征提取能力,之后将改进的模型载入到晶体硅片数据集上训练,实验结果发现,所提W-ResNet34+SC-SEAM分类模型的准确率可达99.91%,比在仅利用ResNet34模型分类结果上提高了2.68%的准确率,实现了对晶体硅片的精确分类,证明了所提分类方法是可行的.     

基于改进萤火虫优化算法的SVR空气污染物浓度预测模型

为了对空气污染物浓度进行准确预测,提出了基于改进萤火虫优化方法(IGSO)的支持向量机回归(SVR)空气污染物浓度预测模型.首先,利用佳点集理论、拥挤度以及变步长策略对萤火虫优化算法进行改进;其次,根据空气污染物浓度时间序列数据构造训练集,运用IGSO算法寻找SVR的最优参数;最后,利用基于最优参数的SVR实现对空气污染物浓度的预测.通过两部分的实验说明文章所提方法的性能.1)在8个标准测试函数上进行多次对比实验,结果显示IGSO算法相比于基于其他改进策略的萤火虫优化方法能够寻找到更优的目标函数值且方差较小,实验表明改进萤火虫优化算法在稳定性及求解精度方面性能较优.2)对京津冀地区空气污染物浓度进行实验,结果显示如下,首先,相比于萤火虫优化算法、粒子群优化算法以及遗传算法,文章基于IGSO对SVR参数的多次寻优结果波动较小,并且所得SVR模型的交叉验证误差及其方差较小;其次,与基于上述其他优化算法的SVR、基于网格搜索的SVR以及BP神经网络相比,文章方法对测试集的预测精度较高.因此,基于IGSO的SVR空气污染物浓度预测模型具有较高稳定性及预测精度.     

竞争风险数据和协变量相依权重下可加可乘的子分布风险率模型

本文在竞争风险数据下提出一种灵活的含变系数的可加可乘的子分布风险率模型.通过对删失时间的风险函数建立Cox比例风险模型,得到调整后的与协变量相依的权重,在新权重下建立估计方程来估计模型参数,并获得了估计的大样本性质,同时提出了模型中协变量的时变效应的检验方法.通过数值模拟验证了所提方法的有限样本性质,结果表明所提方法可以大大降低估计偏差.最后,分析了一组淋巴滤泡细胞的竞争风险数据集来展示所提方法的实际应用效果.     

考虑缺失属性的多属性群决策方法

针对决策者在不完全属性集下进行评价的多属性群决策问题,考虑对缺失属性上的评价进行估计,提出了一种基于决策者相似度的多属性群决策方法.给定决策者在不完全属性集上的评价矩阵,构造同时考虑交叉属性个数和评价值的决策者相似度,基于此相似度对缺失属性评价进行估计,进而利用加权平均法对完整的评价矩阵进行集结得到每个决策者的方案排序.在此基础上,以决策者方案排序与总体方案排序差异最小为目标,构建优化模型以产生最优的总体方案排序.运用所提方法解决江苏省常州市一家高速列车制造企业的战略项目评价问题,验证了该方法的有效性与应用性.     

部分函数线性变系数模型的样条估计及其应用

本文针对Tecator数据介绍一种新的模型一部分函数线性变系数模型,并基于样条估计方法得到了模型中未知系数函数的估计,同时在适当的条件下给出了系数函数估计及模型均方预测误差的收敛速度。通过数值模拟说明本文所提估计方法的有效性。最后基于该模型对Tecator数据进行了统计分析。     

无交叉多指标分位数回归模型中的估计与推断

在过去的30年中分位数回归模型的研究已十分深入.然而在实际的应用场景中,由传统估计方法所得到的分位数回归估计量,经常会在不同分位数水平上出现互相交叉的现象,这给分位数回归模型的实际应用造成了解释和预测上的困难.为解决这个问题,本文提出一种带单调约束的半参数多指标分位数回归模型的研究框架.首先将半参数多指标分位数回归模型与充分降维模型相结合,并利用两者间的联系获得指标估计量的相合估计.之后使用张量积样条方法拟合半参数模型在单调约束条件下的非参数结构.通过数值模拟的方式比较所提方法与现有可行方案所得结果在平均预测误差上的差异,实验结果和实际案例的结果都验证了本文所提出模型的可行性.     

基于支持向量机委员会机器的个人信用评估模型

为了充分利用SVM在个人信用评估方面的优点、克服其不足,提出了基于支持向量机委员会机器的个人信用评估模型.将模型与基于属性效用函数估计构造新学习样本方法结合起来进行个人信用评估;经实证分析及与SVM方法对比发现,模型具有更好、更快、更多适应性的预测分类能力.     

基于指数Laplace损失函数的回归估计鲁棒超限学习机

实际问题的数据集通常受到各种噪声的影响,超限学习机(extreme learning machine, ELM)对这类数据集进行学习时,表现出预测精度低、预测结果波动大.为了克服该缺陷,采用了能够削弱噪声影响的指数Laplace损失函数.该损失函数是建立在Gauss核函数基础上,具有可微、非凸、有界且能够趋近于Laplace函数的特点.将其引入到超限学习机中,提出了鲁棒超限学习机回归估计(exponential Laplace loss function based robust ELM for regression, ELRELM)模型.利用迭代重赋权算法求解模型的优化问题.在每次迭代中,噪声样本点被赋予较小的权值,能够有效地提高预测精度.真实数据集实验验证了所提出的模型相比较于对比算法具有更优的学习性能和鲁棒性.     

Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis

In this paper, we present a general framework for understanding the role of artificial neural networks (ANNs) in bankruptcy prediction. We give a comprehensive review of neural network applications in this area and illustrate the link between neural networks and traditional Bayesian classification theory. The method of cross-validation is used to examine the between-sample variation of neural networks for bankruptcy prediction. Based on a matched sample of 220 firms, our findings indicate that neural networks are significantly better than logistic regression models in prediction as well as classification rate estimation. In addition, neural networks are robust to sampling variations in overall classification performance.     

基于Kohonen网络的激光超声缺陷探测研究

在激光超声缺陷检测技术中,不同类型缺陷采样信号的准确分类至关重要.针对激光超声表面波实验采样信号高维小样本的特点,采用了一种有监督学习的Kohonen神经网络(S_Kohonen)自适应分类方法.在S_Kohonen网络自组织学习的过程中,通过改进网络的学习率提高了网络的收敛速度.通过采用一种无需邻域半径判断的自适应权值调整方式来实现竞争层神经元权值不同程度的调整,从而更有效的表征输入样本的分布特征.通过对不同类型缺陷探测样本的多次实验,验证了所述方法具有良好的分类预测效果,多次交叉验证分类正确率均能达到100%.     

基于局部多项式展开的多元非参数模型贝叶斯带宽选择

在多元非参数模型中带宽和阶的选择对局部多项式估计量的表现十分重要。本文基于交叉验证准则提出一个自适应贝叶斯带宽选择方法。在给定的误差密度函数下,该方法可推导出对应的似然函数,并构造带宽参数的后验密度函数。随后,通过带宽的后验期望可同时获得阶和带宽的估计。数值模拟的结果表明,该方法不仅比大拇指准则方法精确,且比交叉验证方法耗时更少。与此同时,与Nadaraya-Watson估计相比,所提带宽选择方法对多元非参数模型的适应性要更好。最后,本文通过一组实际数据说明有限样本下所提贝叶斯带宽选择的表现很好。     

Estimation of dependences based on Bayesian correction of a committee of classification algorithms

Estimation of dependence of a scalar variable on the vector of independent variables based on a training sample is considered. No a priori conditions are imposed on the form of the function. An approach to the estimation of the functional dependence is proposed based on the solution of a finite number of special classification problems constructed on the basis of the training sample and on the subsequent prediction of the value of the function as a group decision. A statistical model and Bayes’ formula are used to combine the recognition results. A generic algorithm for constructing the regression is proposed for different approaches to the selection of the committee of classification algorithms and to the estimation of their probabilistic characteristics. Comparison results of the proposed approach with the results obtained using other models for the estimation of dependences are presented.     

Adaptive network-based fuzzy inference system with leave-one-out cross-validation approach for prediction of surface roughness

The prediction of surface roughness is a challengeable problem. In order to improve the prediction accuracy in end milling process, an improved approach is proposed to model surface roughness with adaptive network-based fuzzy inference system (ANFIS) and leave-one-out cross-validation (LOO-CV) approach. This approach focuses on both architecture and parameter optimization. LOO-CV, which is an effective measure to evaluate the generalization capability of mode, is employed to find the most suitable membership function and the optimal rule base of ANFIS model for the issue of surface roughness prediction. To find the optimal rule base of ANFIS, a new “top down” rules reduction method is suggested. Three machining parameters, the spindle speed, feed rate and depth of cut are used as inputs in the model. Based on the same experimental data, the predictive results of ANFIS with LOO-CV are compared with the results reported recently in the literature and ANFIS with clustering methods. The comparisons indicate that the presented approach outperforms the opponent methods, and the prediction accuracy can be improved to 96.38%. ANFIS with LOO-CV approach is an effective approach for prediction of surface roughness in end milling process.     

A kernel-free quadratic surface support vector machine for semi-supervised learning

In this paper, we propose a kernel-free semi-supervised quadratic surface support vector machine model for binary classification. The model is formulated as a mixed-integer programming problem, which is equivalent to a non-convex optimization problem with absolute-value constraints. Using the relaxation techniques, we derive a semi-definite programming problem for semi-supervised learning. By solving this problem, the proposed model is tested on some artificial and public benchmark data sets. Preliminary computational results indicate that the proposed method outperforms some existing well-known methods for solving semi-supervised support vector machine with a Gaussian kernel in terms of classification accuracy.     

基于改进粒子群算法的模糊聚类-概率神经网络模型的企业财务危机预警模型研究

为了充分发挥概率神经网络在企业财务危机预警中的作用,克服概率神经网络平滑参数难以确定和空间复杂度高的不足,本文提出一类新的参数动态调整的粒子群算法优化概率神经网络的平滑参数,进而采用改进粒子群算法优化初始隶属度矩阵的模糊聚类方法实现对样本的选择,解决了概率神经网络平滑参数的确定及空间结构复杂的问题。提出了基于改进粒子群算法的模糊聚类-概率神经网络企业财务危机预警模型,并以我国上市公司作为研究对象进行了实证研究。结果表明,经过模糊聚类和改进粒子群算法优化的概率神经网络具有更优的预测性能,并在企业财务危机长期预警方面具有一定效用。     

Structure control classification and optimization model of hollow carbon nanosphere core polymer particle based on improved differential evolution support vector machine

The structure of core polymer particle is an important index of efficiency in hollow carbon nanosphere. How to control and optimize the structure of core polymer particle has been investigated using pattern recognition method in this research. A novel method of pattern recognition material design based on differential evolution support vector machine was proposed. The control model was established and software was adopted to carry out a digital simulation for the model. Using the model, we found the control criteria and optimized conditions for pore structure of composite polymer. Then, the results are compared to other classification methodologies. Experimental results show this model has higher classification accuracy in most of data sets. Experimental and dynamics results show that the properties of hollow carbon nanosphere have been greatly improved.