MLAIM离散化算法分析

文章在单标签数据集离散化算法基础上,针对目前连续型多标签数据集无法进行分类,根据单标签连续型数据集的离散化算法CAIM,提出多标签数据集离散化算法MLAIM,并且通过matlab实验测试其分类效果,实验表明,分类效果较好。     

深度学习算法在山区植被分类中的应用

本文将深度学习技术中的卷积神经网络算法应用于遥感影像中的植被类型分类研究,模型包括卷积层,池化层以及全连接层,卷积层完成了影像中特征的提取,池化层对特征降维,最后全连接层完成植被的分类工作。针对研究使用的数据集,模型得到的94%的分类精度。     

基于神经网络集成方法的公司盈利预测研究

盈余预测具有引导投资者投资行为的作用,因此受到投资者的广泛重视。然而,国内对公司未来盈利进行预测的研究还相当少。提出了以决策树作为基分类器,采用集成学习方法,利用上市某公司2001至2005年的财务数据对该上市公司在2006年的盈利状况进行预测研究。首先,采用有放回的随机抽样技术分别从训练样本和测试样本中产生50个训练子集和1个测试集;然后利用决策树,采用CHAID算法对50个训练子集分别进行训练,得到50个基决策树分类器;通过采用Bagging方法,构建决策树集成模型。所得到的集成模型在测试集上的分类准确率达到96％以上,通过比较由不同数目的基分类器构成的集成模型和单个分类器的预测准确率,证明了该集成模型的预测准确率高且稳定。     

银行信贷客户的聚类

本文着重研究了对传统的K-means算法它在银行客户分类方向的应用与实现.首先介绍了数据挖掘的基础理论,然后介绍了聚类分析算法的基础理论,详细介绍了K-means聚类算法,分析了该算法的优缺点,之后定义了银行客户进行聚类.最后,本文按照已经建立的银行客户分类模型,对来自东北某家银行财务部的详细交易数据,进行实际的银行客户聚类实验.最后对聚类结果进行了详细的分析和总结.     

区域形状的粗集分类研究

本文主要利用粗集理论针对图像分割后的区域形状进行分类研究。依据粗集理论研究离散化数据的特点,考虑类分布信息,采用信息熵理论进行连续条件属性的离散化。在此基础上,利用约简算法剔除冗余属性,获取约简属性,并进一步提取决策规则。最后选取测试样本进行实验分析,结果表明分类是有效的。     

融合新闻文本和时序信息的上市公司财务欺诈预警

本文针对资本市场中普遍存在的上市公司财务欺诈问题，在财报数据中融入财经新闻文本特征，并提取时序信息，为上市公司财务欺诈预警提供新途径。以结构化的财报数据和非结构化的新闻文本数据为对象，在结构化数据特征中融入新闻文本的主题特征、观点特征、情绪特征和欺诈特征，然后提取时序信息，并基于树集成的方法实现上市公司财务欺诈预警。本文融合预警欺诈行为的方法在CSMAR财报数据集和爬取的新浪财经数据集上达到了86.1%的准确率和86.5%的召回率，融入新闻特征和时序信息后比单纯地采用财报数据特征的准确率提高了8%。新闻文本特征可以作为财报数据的有效补充，且在财报数据和新闻文本数据中引入时序信息有利于提高上市公司财务欺诈的预警性能。     

基于支持向量机的泵功图工况识别

支持向量机是基于小样本统计学习理论的分类算法,推广能力强。本文将支持向量机算法应用于泵功图模式识别,首先提取泵功图特征,再使用LibSVM工具箱对特征样本进行训练,建立分类器,并测试其分类能力,实验表明此方法可以应用于泵功图的模式识别。     

基于IAFSA-BP并行集成学习算法的大学生就业预测模型

随着我国高校毕业人数逐年增加,大学生"就业难"问题越发突出,其已然成为了社会广泛关注的热点之一。准确预测大学生的就业前景,提高当代大学生的就业率及就业质量引起了党中央和国家的高度重视。因此,本文通过将改进的人工鱼群算法优化BP神经网络的权值和阈值,提出了基于IAFSA-BP神经网络并行集成学习算法的大学生就业预测模型,并将整理的数据集在matlab中进行仿真实验时达到了极佳的预测效果,以期该模型能为推动大学生高质量就业提供参考意见。     

基于形状直径函数的三维模型集一致性分割算法研究

为了有效提高对三维模型集进行一致性分割算法的准确率和效率,提出一种三维模型集一致性分割算法。该算法基于形状直径函数特征和谱聚类方法。首先计算模型各个面片的形状直径函数特征(SDF)特征;其次计算模型各面片之间的形状相似性,形成相似性矩阵。最后采用谱聚类算法对模型集进行一致性分割。将本文算法与相关方法进行对比,实验结果表明,本文算法能准确的对一致性分割数据集中的若干模型进行有意义的分割,使得分割部位具有一定的对应关系,且面片平均划分准确率较好。     

基于改进FOA的SVM参数优化研究

为了提高支持向量机(SVM)分类性能,同时针对果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的特点,提出了一种改进的FOA算法(LFOA),并将其应用于SVM的参数寻优中。该方法在运算个过程中根据果蝇种群的进化程度,动态的将种群分为较差子群和较优子群;较差子群在最优个体的指导下以基本FOA算法进行全局搜索,较优子群则围绕最优个体做Levy飞行,进行精细化局部搜索;两个子群的信息通过全局最优个体的更新和种群个体的重组进行交换。通过对UCI数据库中几个经典数据集的分类测试结果表明,基于LFOA优化SVM参数能够提高SVM的分类性能,效果优于其他几种方法。