基于朴素贝叶斯网络的上市公司信用风险预警研究

本文运用PCA方法提取出对信用风险具有显著影响的特征指标,同时运用EP-T方法离散样本数据并学习贝叶斯网络的结构与参数,以此建立朴素贝叶斯网络(Naive Bayesian Network,NB)信用风险预警模型;最后通过交叉验证(Cross Validation)对模型进行5次独立建模测试,并利用性能评价指标将NB模型与Logistic模型、MLP神经网络模型、RBF神经网络模型进行对比分析。实证研究结果表明,尽管四种模型均能对上市公司信用风险进行预警,但NB模型表现出了更好的预测精度与稳定性。     

一种基于R3D网络的人体行为识别算法

现有的行为识别算法不能充分地提取抽象的行为特征，为此提出了基于三维残差卷积神经网络（3D Residual Convolutional Neural Network，R3D）的人体行为识别算法。该网络在三维卷积神经网络（3D Convolutional Neural Network，3D-CNN）基础上加入了残差模块，可以更好地提取时空域的特征，然后通过改变步长大小进行特征图降维，提高网络效率，并加入批量归一化层和Softplus激活函数，提高网络的收敛速度和拟合能力；之后添加Dropout层，降低过拟合风险，并且使用全局平均池化层(Global Average Pooling，GAP)代替全连接层，克服了网络参数量过大的问题；最后，使用Softmax进行分类。实验结果表明，使用R3D网络在HMDB-51数据集上获得了62.3%的识别率。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测，提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合，构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力，采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品，并且目标检测的平均准确率约94%，检测速度约为6 frame/s，对毫米波安检系统的智能化发展有着极其重要的参考价值。     

基于BP神经网络的通信信号调制体制识别技术

本文研究了基于BP神经网络的通信信号调制体制识别技术。提取了反映信号调制体制差异的特征参数，并从提高收敛速度和正确识别概率出发，构建了最佳的神经网络分类器。实验结果表明，该技术拥有较好的通信信号调制体制识别性能。     

基于人工神经网络的财务危机预警

针对目前企业财务危机预警模型存在的问题,提出一种基于神经网络的企业财务危机预警方法,重点阐述了前向三层BP网络企业财务危机预警系统的构建,运用此模式可选30家上市公司作为样本,进行网络训练和测试,通过测试结果可表明所设计的预警模式是有效的。     

基于遗传神经网络的财务危机预警研究

针对基于神经网络的财务危机预警方法模型结构复杂、收敛速度慢且容易陷入局部最小的缺点,提出基于遗传神经网络的财务危机预警方法。首先对神经网络模型的结构和参数进行编码并将其串联,形成一个个体,随机产生N个个体形成初始种群。然后分别进行复制、交叉和变异操作,得到神经网络的结构和初始参数。再通过BP算法对该神经网络进行训练,训练后的神经网络即可实现财务危机预警。测试结果表明,该模型训练速度快、预警精度高。     

基于人工神经网络的财务危机预警

针对目前企业财务危机预警模型存在的问题,提出一种基于神经网络的企业财务危机预警方法,重点阐述了前向三层BP网络企业财务危机预警系统的构建,运用此模式可选30家上市公司作为样本,进行网络训练和测试,通过测试结果可表明所设计的预警模式是有效的.     

广义回归神经网络的金融预测模型研究

本文针对BP网络存在着收敛速度慢和局部极小的问题,提出了一种基于广义回归神经网络方法的金融预测模型,该网络运用于汇率模拟与预测,以演示训练样本的构建、原始数据预处理、神经网络的创建训练和检测结果的评价整个过程.通过详细的仿真实验以及与BP神经网络的比较可得出以下结论:该方法不仅运算速度较快,且逼近性能及预测性能明显都优于传统BP神经网络.     

基于改进的Hopfield离散神经网络的模式识别

本文介绍基于改进的Ｈｏｐｆｉｅｌｄ离散神经网络（ＩＨＤＮ）的模式识别。当一个要求存贮在网络中的模式输入时，我们计算它与其它模式的类似测试，并把类似测试在网络综合中加以考虑。当输入任一矢量时，由于网络的联想能力，该矢量将进化到与它距离最近的一个存贮模式中。理论分析和实验仿真结果表明，ＩＨＤＮ比原Ｈｏｐｆｉｅｌｄ离散神经网络（ＨＤＮ）有更大的存贮容量和更强的联想能力。     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题，为进一步提高识别准确率，提出了一种基于嵌套式跳跃连接结构的残差网络（ResNet of Nested Shortcut Connection Structure，ResNet_NSCS）调制识别算法。该算法在残差神经网络（Residual Neural Network，ResNet）基础上，通过借鉴ResNet多通路选择思路，引入嵌套式恒等跳跃连接结构，利用提取的特征实现不同调制方式的分类。仿真结果表明，面向RadioML2016.10a数据集，较卷积神经网络（Convolutional Neural Network，CNN）算法和卷积神经网络_长短时记忆网络（Convolutional Neural Network_Long Short Term Memory Network，CNN_LSTM）算法，以增加网络复杂度为代价，ResNet_NSCS算法收敛速度快，识别准确率高。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

基于增强型概率神经网络的安全态势要素获取

态势要素获取作为整个网络安全态势感知的基础，其质量的好坏将直接影响态势感知系统的性能。针对态势要素不易获取问题，提出了一种基于增强型概率神经网络的层次化框架态势要素获取方法。在该层次化获取框架中，利用主成分分析(PCA)对训练样本属性进行约简并对特殊属性编码融合处理，将其结果用于优化概率神经网络(PNN)结构，降低系统复杂度。以PNN作为基分类器，基分类器通过反复迭代、权重更替，然后加权融合处理形成最终的强多分类器。实验结果表明，该方案是有效的态势要素获取方法并且精确度达到95.53%，明显优于同类算法，有较好的泛化能力。     

采用改进全卷积网络的“高分一号”影像居民地提取

针对现有的高分辨率遥感图像居民地信息提取精度和效率不够高的问题，提出了一种基于改进全卷积网络的“高分一号”（GF-1）遥感影像居民地提取方法。首先，通过专业的目视解译制备大量居民地训练样本；然后，将预训练过的深度卷积神经网络进行全卷积网络的改造，并以具有多尺度卷积核的Inception模块代替由全连接层改造的卷积层，达到减小网络模型参数量、增加特征表达能力的目的；最后，用制作好的高分辨率遥感图像居民地数据集进行训练和验证，生成可直接进行居民地信息提取的全卷积网络。实验结果表明，基于改进全卷积网络的方法可以实现精确有效的居民地信息提取，Kappa系数超过94%。     

采用混合核支持向量机的DOA估计

人工神经网络（ANN）进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机（SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角（DOA）的估计性能,并结合二进制粒子群算法（PSO）来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数（RBF）神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于遗传算法优化混沌神经网络的股票指数预测

为提高BP神经网络预测模型对混沌时间序列的预测准确性,提出一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法。本文采用时间序列输入输出参数数量构造BP神经网络拓扑结构,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型求得最优解,将该预测方法应用到上证综合指数的时间序列进行有效性验证,结果表明了该方法对上证综合指数具有更好的非线性拟合能力和更高的预测准确性。     

A Neural Network for Predicting Manufacturers' Perceived Cooperation with Distributors in the New Product Development Process

ABSTRACT

This research has two objectives. The first is to develop a conceptual neural network for studying manufacturer-distributor cooperation in the new product development (NPD) process and to compare the neural network directly with the traditional multiple regression. The second objective is to examine the relative importance of the antecedents of manufacturer-distributor cooperation. Data from 295 U.S. manufacturing firms are used to test the neural models. The study demonstrates that neural network analysis is a good method predicting manufacturer-distributor cooperation in the NPD process. The results also show that the ranking of antecedents of manufacturer-distributor cooperation from most to least important is: relative dependence, shared values, communication, commitment, and trust. Implications for NPD managers are offered at the end of the paper.     

改进BP神经网络在企业网络营销绩效评价中的应用

在研究网络营销本质及其绩效特征的基础上,建立企业网络营销绩效评价指标体系并采用BP神经网络建立评价模型。为了克服传统BP神经网络容易陷入局部极小、收敛速度慢的缺点,通过采用LM算法和学习速率的自适应调整来建立新型的BP神经网络,利用模糊综合评价法生成训练样本。该评价模型有效地利用了BP神经网络的优点,避免了评价过程的人为失误。仿真试验表明,该模型取得了较好的效果。     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。