基于熵理论的企业危机预警模型研究

基于熵的最优化原理建立了一种新的企业危机预警模型.首先利用最小判别熵选取企业危机预警特征值;然后提出一种新的聚类算法--极大熵聚类算法,并对预测结果进行分类,判断企业的危机状态.该算法是硬C-均值算法的发展和推广.通过实例分析表明,该模型有效、可行,为企业危机预警提供了一条新的途径.     

连续过程生产调度预警及专家系统的应用研究

基于连续过程生产调度的特点及预警系统的特征分析，对连续过程生产调度预警的预 警指标体系的建立、预警方法的使用、警限的界定和警度的确定给出了具体研究．运用粗集 神经网络专家系统，建立了生产调度预警专家系统．     

危机预警信息系统的建设研究

危机预警信息系统的建立对政府危机管理具有重要的作用。本文根据危机预警信息系统建设应达到的目的要求，从软硬件建设、通信手段等方面综合分析了系统建设的框架构成，介绍了组成系统的3个子系统，并强调了建立统一标准、整合信息资源、构建共享信息平台的重要性。     

基于决策树的心理危机预警模型研究

网络文化的飞速发展,社会变革的强烈冲击等给大学生造成的心理危机已成为当前高校和社会面临的严峻挑战。通过调查研究,从网络、性格、学习、经济等方面分析了当前高校大学生心理危机产生的各种原因和关键因素,利用决策树C4.5算法对产生心理危机的各种信息进行分析,找出关键因素,建立基于C4.5的大学生心理危机预警模型,以帮助建立、健全危机预警和危机干预机制,并预防大学生心理危机的产生。     

基于熵理论的企业危机预警模型研究

基于熵的最优化原理建立了一种新的企业危机预警模型.首先利用最小判别熵选取企业危机预警特征值;然后提出一种新的聚类算法---极大熵聚类算法,并对预测结果进行分类,判断企业的危机状态.该算法是硬C-均值算法的发展和推广.通过实例分析表明,该模型有效,可行,为企业危机预警提供了一条新的途径.

     

社会危机领域成因体系本体模型构建可视化研究

社会危机领域成因体系的构建可以方便实现源头治理,对各类社会矛盾早发现、早化解,早处置。本文考察当前社会危机实际,试图提出一种结合本体论实现社会危机成因体系信息管理的方法,探讨了本体构建的方法、技术和工具,着重研究了基于本体论方法的社会危机成因体系信息本体的设计和构建,并实现了可视化展示,为后续用本体方式实现社会危机领域文本自动发现进而实现预警做好准备。     

基于粗神经网络的仿人智能机器人的语音融合算法研究

将粗集合理论与神经网络相结合，提出一种基于粗神经网络的新的信息融合方法，用于仿人智能机器人的语音融合。该方法不仅可以接受定量输入，而且可以接受定性输入，即输入是一个范围，或在观测时间内输入是变化的。由于粗神经网络的误差传递函数不可微，所以采用遗传算法来训练粗神经网络。仿真实验结果表明，基于粗神经网络的信息融合方法有效地提高了语音的识别率。     

基于观点树的网络舆情危机预警方法*

对初始情感种子集预处理,增加网络情感词汇、过滤部分特征词,采用改进逐点互信息—信息检索方法对特征词进行情感倾向性计算,实现对网络论坛网帖中网民观点极性和观点强度的挖掘,进一步实施网民观点属性挖掘;构建基于三粒度挖掘结果的观点树,建立基于观点树的网络舆情危机预警架构。通过实验验证,该方法能够对网络舆情危机作出预警判断。     

社会危机领域风险评估体系本体模型构建研究

社会危机领域风险评估工作可以实现源头治理,对各类社会矛盾早发现、早化解,早处置。本文考察当前社会危机实际,试图提出一种结合本体论实现社会危机风险评估体系信息管理的方法,探讨了本体构建的方法、技术和工具,着重研究了基于本体论方法的社会危机风险评估体系信息本体的设计和构建,并实现了可视化展示,为后续用本体方式实现社会危机领域文本自动发现进而实现预警做好准备。     

IT危机预警管理系统初探

随着互联网应用的深入,计算机系统安全受到的威胁日益增加,IT危机预警变得日益重要。从IT危机内涵出发,指出建立IT危机预警管理系统的必要性,之后给出IT危机预警管理系统的流程。重点讨论了预警分析的内容及危机预控对策。力求建立可操作性的IT危机预警管理系统,为计算机系统的防护措施提供理论上和对策上的指导。     

基于粗神经网络的瓦斯预测专家系统

瓦斯爆炸是我国煤矿生产中最常见的灾害事故,目前治理瓦斯爆炸的主要手段是预测瓦斯突出。以专家系统为核心,利用神经网络强的自学习能力来建立专家系统的知识库,并使用粗糙集对神经网络的构造和学习所需的样本数据进行预处理,构建了基于粗神经网络的瓦斯预测专家系统,详细介绍了系统的总体结构和工作过程,并以采集到的实时数据进行仿真实验,结果表明该系统有较好的预测能力。提高了瓦斯预测的准确性和及时性。     

供应链核心企业绩效决策研究

从知识发现和数据挖掘的角度,利用粗糙集和BP神经网络的基本理论和方法,建立基于粗糙集和BP神经网络的核心企业绩效改进决策模型框架结构,并给出其中的基于分辨矩阵的指标约简方法和基于梯度的BP算法。最后结合一个实例,首先对其基于平衡记分卡的指标体系进行了约简,然后将约简的评价指标输入到BP神经网络中进行智能训练,并与未进行指标约简的训练结果进行了对照分析,二者结果基本一致。在此基础上,依据指标的权重,提出核心企业绩效改进的决策意见和措施。     

Analysis of early warning of corporate financial risk via deep learning artificial neural network

To forecast the financial crisis of manufacturing corporations more accurately, a risk warning model of corporate finance is constructed based on back propagation (BP) neural network to forecast the financial crisis. Firstly, based on the principle of index selection, the forecast indexes are selected and the index system of financial risk early warning is constructed. Then the index system is optimized by factor analysis. Finally, the BP neural network algorithm model is adopted to forecast the financial crisis of 200 manufacturing corporations in 2018 and 2019, and the forecasting results are compared with the traditional method. The results show that the prediction accuracy of the enterprise financial risk early warning model based on the BP neural network for 2018 is above 85%, and the prediction accuracy for 2019 is above 95%, or even 100%. Through comparison with other traditional methods, the prediction accuracy of the BP neural network in 2018 (above 88%) is higher than that of other algorithms (below 87%). In 2019, the prediction accuracy of BP neural network (above 90%) is higher than other algorithms (less than 88%). The accuracy of the proposed financial risk warning model is 95%, and the accuracy is at least 2% higher than traditional method, which prove that the risk early warning model constructed in this study can accurately forecast the financial crisis of the corporation. This study is of important reference value for the establishment of efficient financial crisis forecasting model under deep learning.     

Predicting the financial crisis by Mahalanobis–Taguchi system – Examples of Taiwan’s electronic sector

In the past researches of financial crisis early-warning model, multiple regression, linear probability model, and multiple discriminate analysis are commonly adopted, all of which have generated good discrimination effects, with over 90% accuracy. Dr. Taguchi, well known for his robust design, has lately brought up a new method – Mahalanobis–Taguchi System (MTS), which is mainly used to conduct multivariate diagnoses and forecasts. This study attempts to use MTS to build up a financial crisis early-warning model for Taiwan’s companies. It chooses both in financial sound judgment and in financial trouble TSE- and OTC-listed electronic companies in 2005 as training set and uses both in financial sound judgment and in financial trouble TSE- and OTC-listed electronic companies in 2006 as testing set to verify the accuracy of this model. There are two phases in our research, in which we firstly use MTS, logistic regression and neural network to establish the financial crisis early-warning model, followed by a comparative analysis of average accuracy rate of financial prediction in the second phase. The result of experiment shows that the accuracy rate of financial crisis early-warning system established by MTS, logistic regression and neural network are 96.1%, 92.3%, and 96.1%, respectively, indicating that MTS provides greater application effect in predicting financial crisis.     

基于粗糙集和神经网络的柱塞泵故障诊断

针对轴向柱塞泵故障机理的复杂性和故障信息的不确定性,提出了基于粗糙集与神经网络相结合的故障诊断方法,并详细阐述了基于粗糙集与神经网络的轴向柱塞泵故障诊断系统的设计步骤和实现技术。实验结果表明,该方法不仅能优化神经网络的拓扑结构,同时能有效提高轴向柱塞泵故障诊断的精度和效率。     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

基于粗糙集人工神经网络的锅炉故障诊断模型

针对锅炉这种大型特种设备,提出了一种基于粗糙集和人工神经网络集成的智能故障诊断方法.该方法先利用Rs理论建立故障决策表,对原始数据进行约简,并按照一定的原则选取多个约简;然后建立神经网络故障诊断子系统,使用粗糙集处理后的数据计算出故障发生程度,研究结果表明:该方法能够正确而且高效地诊断出锅炉中各种部件的故障发生的严重程度.     

基于自适应遗传算法的股票预测模型研究

为了解决单一神经网络模型很难满足股票预测建模要求的问题,提出一种基于遗传算法的粗糙集属性约简方法和神经网络相结合的预测模型。在该模型中,改进了自适应性遗传算法的交叉算子与变异算子。基于该遗传算法的粗糙集属性约简相比传统的粗糙集属性约简,其具有更强的求解最小属性约简的能力,解决了神经网络预测时训练速度慢、内存开销大等问题;在数据预处理过程中,引入聚类分析,有效解决了连续属性离散化的问题。实验结果证明,该预测模型具有较高的预测精度,在时间序列的股票预测中是相当有效的。     

粗糙集CMAC神经网络及其在非线性系统辩识中的应用

提出了一种基于粗糙集规则提取的CMAC神经网络非线性系统辩识策略。该策略利用粗糙集理论对数据样本进行数据浓缩，提取初步的映射规则。对初步的规则通过神经网络进行粗映射，利用神经网络的分类逼近能力，建立输入状态空间到输出空间的精确映射，大大提高了神经网络的收敛速度和逼近精度。通过一个非线性系统对该神经网络进行了实验，结果表明，该神经网络具有分类逼近能力强、计算量小等优点。