基于RS-Bag分类器集成技术的上市公司财务危机预测

财务危机预测是金融管理决策中的重要问题,其实质是对未来财务状况的预报和分类。鉴于目前单一分类器预测性能不稳定,本文运用分类器集成技术,以BP神经网络为分类学习算法,建立基于RS-Bag算法的神经网络分类器集成模型。然后,以我国上市公司财务数据为例进行财务危机预测实证研究,结果表明,基于RS-Bag算法的神经网络分类器集成预测精度和泛化性能优于单一神经网络分类器,也优于Bagging分类器集成和RS分类器集成。     

集成随机森林和支持向量机的商业银行财务困境预测研究

提出了一种基于随机森林和支持向量机的集成模型来预测商业银行财务困境.结果表明,一方面,与多层感知神经网络相比,支持向量机可以更有效地作为集成学习模型的基分类器,虽然多层感知器神经网络在以往的研究中更多地被用于基分类器.另一方面,与现有的bagging、dagging、multiboost、adaboosting、random subspace等集成学习算法相比,该模型的预测性能明显提高.另一个关键发现是,利用银行业、宏观经济状况和国际金融风险变量补充银行层面的脆弱性,可以显著提高模型在商业银行财务困境预测中的表现.     

基于集成学习算法的多变量质量诊断研究

应用集成学习方法来解决多元统计过程控制中的质量诊断问题:当HotellingT²控制图发出报警信号时,判断哪一个变量或者是哪些变量组合导致过程异常的发生。这种集成学习方法采用分类与回归树(Classification and Regression Trees,CART)为基分类器,沿着误判损失函数的梯度下降方向逐步优化基分类器组合,并基于误判损失最小的原则判断异常信号的类别。实例研究表明,这种集成学习方法具有较好的诊断效果,在诊断准确率方面优于已有的方法。     

基于BalanceCascade-GBDT算法的类别不平衡虚假评论识别方法

虚假评论是电商发展过程中一个无法避免的难题. 针对在线评论数据中样本类别不平衡情况,提出基于BalanceCascade-GBDT算法的虚假评论识别方法. BalanceCascade算法通过设置分类器的误报率逐步缩小大类样本空间,然后集成所有基分类器构建最终分类器. GBDT以其高准确性和可解释性被广泛应用于分类问题中,并且作为样本扰动不稳定算法,是十分合适的基分类模型. 模型基于Yelp评论数据集,采用AUC值作为评价指标,并与逻辑回归、随机森林以及神经网络算法进行对比,实验证明了该方法的有效性.     

基于萤火虫群优化算法的烟草香级集成分类方法

针对烟草化学成分与卷烟制品香级之间确定的数学模型难以建立的问题.提出了一种基于萤火虫群优化算法的烟草香级集成分类方法.方法首先使用混合核SVM独立训练多个个体支持向量机,然后利用改进的离散型萤火虫群优化算法选择部分精度较高、差异度较大的个体分类器参与集成,最后通过多数投票法得到最终的分类预测结果.对比实验结果表明,算法在分类准确度上具有较大的优势,证明了算法的有效性·从而为烟草的香级分类提供了可靠依据.     

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.     

存在强势零售商时双渠道制造商在线推介策略研究

研究了存在强势零售商时双渠道制造商的推介策略问题。首先,以零售商弱势模型为基准,研究发现:较大的推介市场规模有助于制造商采取都推介策略,且零售商和制造商具有高度一致的推介策略偏好。其次,构建零售商强势决策模型,发现相对零售商弱势而言,制造商推介策略存在显著变化:当推介市场规模较小时,若批发价格较高,则制造商采取都推介策略;当推介市场规模较大时,若批发价格较低,则制造商仅推介官方商城。当且仅当推介市场规模和批发价格同时较小或较大时,零售商与制造商才能达成推介策略共识。此外,无论零售商弱势或强势,都推介策略下消费者剩余和社会福利优于仅推介官方商城策略。     

势阱深度对双稳态电磁发电系统发电性能的影响研究

电磁式振动能量捕获技术从单稳态系统发展到多稳态系统,拓宽了响应频带,增大了输出电压,能够获得较好的发电性能.以附加线性振子的双稳态电磁式振动能量捕获器为研究对象,主要研究了势阱深度对双稳态系统发电性能的影响,并基于最优发电性能下的势阱深度,研究了双稳态系统结构参数中质量比与调频比对系统发电性能的影响.通过数值仿真结果说明,在外部激励频率为低频时:势阱深度较大时,双稳态系统的振子只能在一个阱内发生小幅振动运动;当势阱深度小到一定程度时,双稳态系统的振子跨过势垒在两个阱间内发生大幅混沌运动或周期运动,其优于小幅振动运动时的平均输出功率.通过数值模拟,得到双稳态系统具有较高的发电性能下的最优质量比、调频比以及阻尼比参数.     

加权非等间隔灰色Verhulst模型及其应用

针对建筑物沉降监测数据量少、信息贫乏,且具非等时距、呈"S"形变化的特点,建立了能够反映饱和状态的非等间隔灰色Verhulst模型.因早期建模数据对模型预测精度贡献较小,而靠近预测时间的建模数据贡献则较大,故建模时按时间先后对建模数据赋予了不同的权重,以此体现贡献大小.实证分析表明,采用数据加权能够提高模型的预测精度,从对建模以外的监测数据预测结果来看,效果优于已有一些模型.     

守恒型扩散方程非线性离散格式的性质分析和快速求解

对于守恒型扩散方程,研究其二阶时间精度非线性全隐有限差分离散格式的性质,证明了其解的存在唯一性.研究了二阶时间精度的Picard-Newton迭代格式,证明了迭代解对原问题真解的二阶时间和空间收敛性,以及对非线性离散解的二次收敛速度,实现了非线性问题的快速求解.本文中方法也适用于一阶时间精度格式的分析,并可推广至对流扩散问题.数值实验验证了二阶时间精度Picard-Newton迭代格式的高精度和高效率.     

基于改进Adaboost的信用评价方法

网络借贷环境下基于Adaboost的信用评价方法具有较高的基分类器分歧度和样本误分代价。现有研究没有考虑分歧度和误分代价对基分类器样本权重的影响,从而降低了网络借贷信用评价结果的有效性。为此,提出一种基于改进Adaboost的信用评价方法。该方法根据基分类器的误分率,样本在不同基分类器上分类结果的分歧程度,以及样本的误分代价等因素,调整Adaboost模型的样本赋权策略,使得改进后的Adaboost模型能够对分类困难样本和误分代价高的样本实施有针对性的学习,从而提高网络借贷信用评价结果的有效性。基于拍拍贷平台数据的实验结果表明,提出的方法在分类精度和误分代价等方面显著优于传统的基于Adaboost的信用评价方法。     

基于Boosting的BAN组合分类器

Boosting是一种有效的分类器组合方法,它能够提高不稳定学习算法的分类性能,但对稳定的学习算法效果不明显.BAN(BN augmented Naive-Bayes)是一种增强的贝叶斯网络分类器,通过Boosting很容易提高其分类性能.比较了GBN(general BN)和BAN的打包分类器Wrapping-BAN-GBN与基于Boosting的BAN组合分类器Boosting-BAN.最后通过实验结果显示了在大多数实验数据上,Boosting-BAN分类器显示出较高的分类正确率.     

短期噪声下两种长记忆性判别方法的小样本比较

本文以长记忆性的两种对数周期图方法为研究对象,在小样本下,从长记忆性的估计均值,估计精度和检验效果等方面比较分析了短期噪声对Geweke,Portert和Hidak(1983,GPH)和Andrews,Guggenberger(2003,AG)两种方法的影响及作用机理.结果发现当存在短期噪声时,尽管AG方法的大样本性质优于GPH方法,但其小样本性质并不十分稳健.主要而言,AG方法仅在较小负根情形下对GPH方法的修正效果明显;当噪声中含有较大负根时,存在过度修正问题;而当噪声中含有正根时,存在修正不足问题.此外,还研究了短期噪声下的带宽选择问题.通过对不同带宽下两种方法小样本性质的比较研究,发现在带宽极小处,两种方法的统计特征非常敏感;而带宽较大时,两种方法的统计特征不再收敛.笔者认为按照误差均方根最小选择带宽是一个相对可以接受的方案.     

基于MTS特征选择的神经网络集成方法

在Bagging算法基础上,运用马田系统进行特征选择,形成双重扰动改善神经网络集成的分类性能.实验表明,双重扰动增加了集成网络个体精度和差异度,基于MTS-Bagging算法的分类性能相比于Bagging有明显提高.     

基于AdaBoost和深度残差网络的时间序列分类

时间序列分类(TSC)是数据挖掘领域中重要且富有挑战性的问题之一.首先将时间序列数据按照Gramian Angular Summation/Difference Field(GASF/GADF)、Markov Transition Field(MTP)、Recurrence Plot(RP)四种方式编码成图像,然后利用深度残差网络(ResNet)对编码的图像进行分类.为了充分利用四种编码图像的的信息以及提高分类的性能,使用AdaBoost对基分类器进行集成.ResNet在反向传播过程需要保存每一层的激活值,为了减少集成过程的内存消耗,利用可逆残差模块对传统残差模块进行替换.在计算分析阶段,从UCR数据中选取部分数据集进行测试,并将测试结果与当前最优的结果进行对比,实验结果表明所提算法的有效性.     

Hadamard定理的积分形式

对闭圆环上的单值解析函数,当函数在两个边界圆上的最大模之比不是两个边界圆的半径之比的整数幂时,则Hadamard三圆定理中的严格不等式成立,即函数在环内的最大模有较小的上界.Teichmuller与Heins独立地得到了具有最大模的三圆定理的精确形式.本文用函数的积分平均模代替其最大模,同样得到了具有积分模的三圆定理的精确形式.     

大数阶乘和大指数整数幂的计算

结合科学计数法和尺度变换技巧,设计一定精度下大数阶乘的计算方法,并将其拓展至指数较大的整数幂运算,从而当n较大时可正确计算二项概率C（n,k）pk（1-p）n-k（k=0,1,…,n,0〈p〈1）.     

一种基于集成学习的试题多知识点标注方法

个性化试题推荐、试题难度预测、学习者建模等教育数据挖掘任务需要使用到学生作答数据资源及试题知识点标注,现阶段的试题数据都是由人工标注知识点。因此,利用机器学习方法自动标注试题知识点是一项迫切的需求。针对海量试题资源情况下的试题知识点自动标注问题,本文提出了一种基于集成学习的试题多知识点标注方法。首先,形式化定义了试题知识点标注问题,并借助教材目录和领域知识构建知识点的知识图谱作为类别标签。其次,采用基于集成学习的方法训练多个支持向量机作为基分类器,筛选出表现优异的基分类器进行集成,构建出试题多知识点标注模型。最后,以某在线教育平台数据库中的高中数学试题为实验数据集,应用所提方法预测试题考察的知识点,取得了较好的效果。     

一种改进二叉树支持向量机在故障诊断中的应用

考虑到构建二叉树支持向量机时样本的分布情况对分类器推广能力具有较大影响,提出一种改进的二叉树支持向量机层次结构构建方法.以类间样本距离和带权值的类内样本距离与其标准差的比值作为类的分类度.将类间距离大且类内样本平均分布广的类最先分离.利用标准数据集,通过与不同多类分类算法比较,验证了改进的二叉树支持向量机的优越性.对双转子涡喷发动机气路部件进行应用改进的算法进行故障诊断,得到了较好的故障识别率.     

具有一般接触率和治疗的SIS传染病模型的后向分支

建立了具有一般传染率函数和治疗的SIS模型并分析了其动力学性态.通过分析得到,当基本再生数小于1时,系统存在无病平衡点,并且无病平衡点是局部渐近稳定的,当染病者数量较少,发现系统在基本再生数大于1时,系统存在惟一的正平衡点且是局部渐近稳定的;当染病者数量超过医院的最大承受能力时,当基本再生数小于1时,系统可能存在两个正平衡点或无正平衡点.当存在两个正平衡点时,其中染病者数量较小的是鞍点,染病者数量较大的为结点或焦点,且是局部渐近稳定的.当治疗能力较弱时,模型会出现后向分支.