企业信用评估指标体系及信用评估模型研究

针对企业的信用评估,基于已有研究,引入企业财务指标和非财务指标,使用机器学习分类方法构建信用评估模型,并对几种方法的分类准确率进行了比较分析. 实验结果表明,该信用评估指标体系可行,随机森林方法在该指标体系上的分类效果最好. 同时,优化了分类效果较差的多层感知器,提升了分类准确率.     

一种基于Logistic和RONSA的信用评分模型

为了探讨否定选择算法用于信用评分的可行性及其效果,提出了一种R集优化否定选择算法(R-Optimized Negative Selection Algorithm,简称RONSA)作为信用评分模型的分类器算法,并运用Logistic回归分析提取影响客户信用的分类指标作为人工免疫机制的基因座,即在Logistic回归分析的基础上构建一个基于RONSA的信用评分模型：LR & RONSA Based模型。最后通过样本数据和ROC曲线对该信用评分模型与LR模型进行实证对比检验,结果表明,LR & RONSA Based模型具有更高的信用评分水平,可作为较理想的信用风险预测工具。     

一种改进的朴素贝叶斯分类器在文本分类中的应用研究

文本分类是数据挖掘领域中重要的研究分支.通过对自适应遗传算法和朴素贝叶斯分类器的研究,提出一种基于自适应遗传算法的朴素贝叶斯分类算法.将该算法应用于中文文本分类中,可以生成最优贝叶斯分类器及最优属性集合,提高分类精度.     

基于GA-SVM的电能质量扰动分类方法研究

电能质量扰动的准确分类,是电能品质改善和治理的重要决策依据.为解决支持向量机(SVM)分类器在多分类问题中的不足,采用模式识别领域中聚类分析的思想,提出了一种基于遗传算法(GA)的SVM决策树多分类电能质量扰动识别方法.该方法首先对参数进行初步最优值筛选,将得到的初步最优值作为遗传算法初始值进行编码,根据设立的适应度函数完成GA中的选择、交叉、变异等操作,进一步搜索最优值,再以最优决策树构建SVM分类器,最终实现SVM的多分类.仿真结果表明,相比未经优化的SVM模型,基于GA算法优化的SVM具有较高的识别精度和抗噪能力.     

基于多分类器多模糊积分的信息融合方法

不同模糊积分进行信息融合的结果有时可能会差别很大,为了提高多分类器融合系统的识别率,提出基于多分类器多模糊积分的信息融合方法,综合考虑多分类器不同模糊积分的融合结果来进行分类,有助于弥补采用单一模糊积分信息融合方法的不足.     

在雷达HRRP识别中多特征融合多类分类器设计

在传统线性关联向量机的基础上,设计了一种多特征融合的多类分类器.该分类器基于多类Probit回归模型将传统的两类线性关联向量机推广为多类关联向量机,利用线性关联向量机的特征选择功能,对融合的高维特征向量进行降维和合理的幂次扩展,使线性关联向量机具有构造非线性分类界面的能力,以保证对非线性多类分类问题稳健的融合识别性能.针对雷达高分辨距离像目标识别问题,提取3种平移不变特征,使用提出的多特征融合的多类分类器在基于实测数据的识别实验中得到了稳健的融合识别结果.     

基于随机子空间的多分类器集成

提出了一种基于随机子空间的多分类器集成算法RFSEn.首先选择一个合适的子空间大小,然后随机选择特征子集并投影,并得到子空间上的基分类器,从而通过基分类器构成集成分类器,并由集成分类器来进行文本的分类.将该算法与单一分类器和基于重抽样技术的bagging算法进行了比较,在标准数据集上进行了实验.结果表明,该方法不仅优于单一分类器的分类性能,而且一定程度上优于bagging算法.     

混合采样与遗传算法相结合的垃圾网页检测

垃圾网页检测存在数据不平衡、特征空间维度较高的问题,为此,提出一种基于随机混合采样和遗传算法的集成分类算法.首先,使用随机混合采样技术,通过随机抽样,减少多数类样本数量,用少数类样本合成过采样技术方法生成少数类样本,获得多个平衡的训练数据子集;然后使用改进的遗传算法对训练数据集进行降维,得到多个具有最优特征的训练数据子集;使用极端梯度算法（XGBoost）作为分类器,训练多个平衡数据子集,用简单投票法对多个分类器进行集成,得到新的分类器;最后对测试集进行预测,得到最终预测结果.实验结果表明,提出算法的分类结果与XGBoost的结果相比,准确率提高了约19.25%,且减少了建立学习模型的时间,提高了分类性能,是一种较好的分类算法.     

多SVM分类器融合的传感器故障容错研究

在工业、农业等实际应用领域中,传感器是获取信息的主要工具,而当某个传感器发生故障时,单个决策系统的性能会急剧下降,甚至导致整个系统的瘫痪.为了提高决策系统的容错能力,将多分类器融合的方法应用到此领域.首先利用粗糙集的方法进行特征选择,得到3组不同的约简.再利用模糊输出支持向量机方法,训练出3个分类器.测试样本通过这3个分类器分别给出该样本属于各类的隶属度,再通过均值的融合方法,给出最后的分类决策.将该SVM多分类器融合方法应用于6组UCI标准数据集中,实验表明,传感器出现断路或短路故障时,单个分类器的分类精度急剧下降,但是通过融合的方法,使得最后的分类精度与原始精度基本相当.     

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。     

神经网络在手写体字符识别中的应用研究

总结了神经网络被用于手写体字符识别分类中的应用情况，分析了所采用的反向传播神经网络、径向基函数神经网络、自组织神经网络等网络模型及其最新的应用情况，详细介绍了神经网络集成的一些方法,并根据目前的研究现状，指出用于分类器设计的神经网络集成方法和理论研究是未来的重要研究课题.     

一种基于模糊积分的多分类器联合方法

多分类器联合是解决复杂模式识别问题的有效办法。模糊积分是一种多分类器联合算法。但是在用模糊积分对多分类器联合建模时，模糊积分密度函数的选择对系统的性能有着很大的影响。提出一种基于模糊积分和贝叶斯联合的分类器集成方法，该方法利用贝叶斯方法的构造只分密度函数，再利用模糊积分把分类器输出信息联合起来。实验结果表明，该方法比其他方法能够得到更好的识别性能。     

基于多支持向量机分类器的增量学习算法研究

为了将一般增量学习算法扩展到并行计算环境中,提出一种基于多支持向量机分类器的增量学习算法.该算法根据多分类器对新增样本集的分类结果,以样本到分类超平面的平均距离为条件重新构造支持向量集更新分类器,直到所有分类器的分类精度满足指定阈值.实验结果表明了该算法的可行性和正确性.     

一种多特征组合与多神经网络分类器集成的手写数字识别新方法

提出了一种多特征组合与多神经网络分类器集成的手写体数字字符识别方法。新方法对结构简单、书写规范的数字字符使用高效的结构分类器实现快速分类;对结构分类器不能准确分类的字符,首先通过提取多个特征,构造不同结构和类型的多个神经网络分类器,然后对多个分类器的识别结果,通过多专家集成方案对手写数字进行最终判决。实验结果表明,提出的方法能有效降低识别错误率,提高识别系统的可靠性。     

整数矩阵变换的选择集成及对雷达目标的识别

为了改善单个分类器对雷达目标的识别性能,分别从差异性和准确率两个因素出发,提出了一种通过变换分类器选择集成对雷达目标识别的算法.首先,为了增加集成个体差异性,将个体分类器的预测标记作为变换的原始目标,将正确标记引入来代替变换中的目标均值,以此构造一个整数矩阵.通过将个体分类器的预测标记投影到经过正确标记的直线上,从而获得一组新的预测标记.然后,根据准确率和RPFmeasure这两种衡量分类器性能的准则,选择一些性能提高了的个体进行集成,以此保证个体分类器的准确率.最后,通过结合被选择的个体预测标记来改善对雷达目标的识别性能.对于UCI机器学习资源库中数据集和雷达一维距离像的实验结果表明,该算法能有效平衡个体差异性和个体准确率两个因素,并且相比单个分类器和其他集成方法,该方法提高了对雷达目标的识别准确率.     

一种结合深度学习和集成学习的情感分析模型

随着社交媒体的不断发展,用户评价已成为网络决策的关键因素.为了准确分析社交媒体用户评价的情感倾向性,更好地推进舆情分析、推荐算法等工作,本文通过对Bi-LSTM模型和Bagging算法的改进,提出了一种新的情感分析模型—Bi-LSTMM-B模型.该模型的特点在于将深度学习模型可提取抽象特征的优势和集成学习多分类器共同决策的思想相结合.一方面在Bi-LSTM模型的基础上引入Maxout神经元,构建Bi-LSTMM模型,解决随机梯度下降算法中存在的梯度弥散问题,更好地优化训练过程.另一方面,模型基于Bagging算法训练多个情感分类器,根据分类器性能优劣利用袋外数据为每个分类器分配指定类别的权重,并提出相应的改进投票策略,增强了模型的泛化能力.实验结果表明:本文提出的Bi-LSTMM-B模型相比于传统的LSTM模型准确率提高12.08%,其中Maxout神经元的引入对情感分析准确率有8.28%的相对改善效果,改进后的投票策略对准确率有4.06%的相对改善效果,并在召回率和F值两项指标上均优于其他对比模型.由此证明,深度学习模型和集成学习思想相结合可提高情感分析的准确率,并具有一定的研究价值.     

面向目标的带先验概率的AdaBoost算法

针对集成学习算法研究中多个分类器的最佳组合问题,改进了传统的AdaBoost集成学习算法.用于组合的各个分类器通常是基于样本集通过一定的训练得到,样本集中不同类目标的比率可以反映分类目标的先验概率.使用该参数给出了新的组合参数和投票表决阈值计算公式,巧妙的利用样本权值并将其加入到样本属性上进行训练学习,采用新的策略来选择基分类器,给出了面向目标的带先验概率的AdaBoost算法(GWPP AdaBoost算法)和分类器的最佳组合.依据UCI实验数据对传统的AdaBoost算法、Bagging算法、GWPP AdaBoost算法的错误率和性能进行了比较分析,验证了GWPP AdaBoost的有效性.     

企业技术创新能力评价的模糊统计模型

根据企业技术创新能力涉及的各个方面,建立技术创新能力评价指标体系,运用模糊数学理论,将专家经验与数学模型结合来确定各指标的权重,建立了企业技术创新能力评价的模糊统计模型,为企业技术创新能力评价提供新的方法.     

利用旋转森林变换的异构多分类器集成算法

为了增强集成系统中各分类器之间的差异性,提出了一种使用旋转森林策略集成两种不同模型分类器的方法,即异构多分类器集成学习算法．首先采用旋转森林对原始样本集进行变换划分,获得新的样本集;然后通过特定比例选择分类精度高的支撑矢量机或分类速度较快的核匹配追踪作为基本的集成个体分类器,并对新样本集进行分类,获得其预测标记;最后结合两种模型下的预测标记．该算法通过结合两种不同分类器模型,实现了精度和速度互补,将二者混合集成后改善了集成系统泛化误差,相比单个模型集成提高了系统分类性能．对UCI数据集和遥感图像数据集的仿真实验结果表明,文中算法相比单一分类器集成缩短了运行时间,同时提高了系统的分类准确率．     

基于BiLSTM+Self-Attention的多性格微博情感分类

微博作为最受欢迎的社交网络平台之一,是人们表达观点和情感的重要途径.性格影响人的情感表达方式.针对现有微博情感分析很少考虑性格因素这一问题,文章提出一种基于BiLSTM+Self-Attention并结合性格因素的微博情感分类模型(P-BiLSTM-SA).该模型首先根据"大五"人格理论,基于用户性格将微博文本进行性格...