我国商业银行信用风险识别的实证分析

本文针对75家st上市公司和75家非st上市公司,从盈利能力、流动性与偿还能力、成长性、资本结构和资产管理效率五个方面选取指标,分别建立判别分析模型、二分类变量Logistic回归模型和基于径向基函数神经网络模型。结果显示,Logistic回归和神经网络对于非st上市公司的识别准确率,与判别分析相比,未体现出明显的优势。但总体上,三个模型基于财务报表的评估,对我国商业银行信用风险的识别问题,均提供了相当高的判别精度,具有良好的预警作用。     

基于Elman神经网络的商业银行信贷风险识别及评估模型

建立了基于Elman神经网络的商业银行信贷风险识别及评估模型,并通过实例验证了模型的准确性和可靠性。研究过程及结果表明,基于Elman神经网络的商业银行信贷风险识别及评估模型能够很好地反映信贷过程中的非线性因素,准确地预测出完整的信贷风险评估指标和信用等级之间的映射关系,能快速评估和有效减低商业的信贷风险。一组实例结果显示该评估模型的准确率接近90％。     

基于SSA优化BP神经网络的污染物浓度二次预测模型

为解决一次预报模型模拟结果不理想的情况，使用主成分分析（PCA）对14项气象影响因素进行降维处理并提取4项综合评价指标，使用麻雀搜索算法（SSA）优化BP神经网络的二次预测模型和将一次预报的结果与真实数据的差值作为输出，对预测模型进行训练并做出预测的方法。将模型应用于国内某个地区，用相应的数据对模型进行验证。结果表明，基于SSA优化BP神经网络的预测模型和将误差引入的新模型均较BP神经网络模型有更高的精确度和更强的泛化能力。     

基于双向长短时循环神经网络的沉积微相自动识别方法——以莺歌海盆地东方B气田为例

莺歌海盆地东方B气田发育浅海重力流海底扇沉积,其砂体分布及叠置关系复杂,使用人工识别的方式进行沉积微相解释工作繁琐且易受主观因素影响。针对该问题,基于双向长短时循环神经网络设计串行网络架构沉积微相识别模型,该模型以测井资料、岩性录井资料为输入,可有效提取不同沉积微相的测井曲线形态特征,并充分考虑相邻沉积微相之间的关联性。将模型应用于该区沉积微相识别工作中,降低了储层非均质性及人工经验带来的影响,提高了识别精度,取得了良好的应用效果。     

基于PSO-SVR模型的煤炭铁路物流需求预测

在煤炭铁路物流需求预测中,存在历史样本量较小和非线性强的特点,从而致使预测精度较低。将支持向量回归机（support vectorreg ression,SVR）与粒子群算法（Particle Swarm Optimization,PSO）相结合,提出适用于小样本量学习的PSO-SVR模型。选取1995-2011年的煤炭铁路货运量及其影响因素作为学习样本,利用粒子群算法对支持向量机参数进行优化,通过训练、测试得到具有良好学习与推广能力的煤炭铁路货运量预测模型。建立BP神经网络模型,并将二者的预测值进行对比,结果表明在解决我国煤炭铁路物流需求预测这种小样本,非线性及高维模式识别问题中PSO-SVR模型预测精度优于BP神经网络模型。     

基于边缘信息增强的CNN行人检测算法

行人检测是模式识别与分类的经典问题,一直受到研究人员广泛的关注。卷积神经网络作为深度学习的重要模型,在解决行人检测问题上有着良好的效果。基于以上背景,文章提出一种利用双输入卷积神经网络结合图像边缘强化特征进行行人检测的方法。该方法使用Canny边缘检测算子对图像进行边缘检测,得到完整的行人边缘信息,并将其与完整的行人图像分别作为卷积神经网络输入,达到边缘增强的目的,最后通过对卷积神经网络结构参数的优化,实现对行人的检测分类,经在标准行人样本集进行测试,证明了文章算法的有效性。     

基于机器学习的岩性识别研究

钻井过程中的岩性识别是一个复杂且不断变化的非线性过程,很难建立准确的数学模型。由于传统识别方法存在解释精度低以及难以获得或丢失测井曲线的问题,直接通过传感器获取的钻速、钻压等每个与岩性有直接或间接关系的钻井参数,利用钻井参数进行岩石预测。基于机器学习技术,采用BP神经网络学习算法,根据地层岩性的特点,建立神经网络识别岩性模型,构造钻进参数样本并在MATLAB软件中利用神经网络工具箱进行岩性识别,分析训练集样本数量对模型识别准确率的影响。研究结果表明:BP神经网络输出非常准确,描述了采集到的钻井参数与岩性之间的关系,体现出神经网络的优越性;对钻井过程中岩性的识别具有积极的作用,有利于合理选择钻头类型、及时调整钻井参数和提高钻井效率。该岩性识别方法应用于仿生PDC钻头等方面,在试验和理论相互补充、支撑的同时便于利用该方法针对智能石油钻机开展更深层次的研究。     

基于人脸识别技术的智能小区安防系统设计

文章针对目前智能小区存在的安全隐患,提出了利用人脸识别技术的智能安防管理系统设计。该设计基于AdaBoost算法,通过对输入图像的Haar-like特征进行训练构成级联式强分类器来实现人脸图像的检测,并利用欧式距离的计算比较最终完成身份的识别,解决使用中身份被盗用的问题。     

基于改进GA的滑行道路径冲突解脱研究

为解决多航空器在飞行区场面活动时存在的冲突问题,以优化后的滑行路径距离作为目标代价函数,提出一种滑动时间窗与GA相融合的冲突解脱模型。首先在滑行规则、安全间隔与滑行道实际条件等约束条件下构建场面滑行路径模型;其次提出基于滑动时间窗与GA融合的求解算法;最后选取成都双流机场为例进行仿真,并与传统GA算法进行对比分析,证明基于改进GA的算法模型在飞行区冲突解脱上更具有鲁棒性与自适应性。     

基于多层路径规划的自动布线优化研究

为实现大规模集成电路中的"自动布线问题",首先针对单层平面内通道自动布线问题使用A*算法,发现上下引脚连接线路发生路径冲突时,单通道自动布线问题无解.对多层数电路通道自动布线使用Floyd算法建模,分别对每层线路进行优化.构建基于遗传算法的A*目标函数最优化自动布线模型,来解决三维空间结构优化、系统整体布线距离优化以及金属线与通孔寄生电阻最小化问题.之后使用样本测例对建立的模型进行验证,提出新的解决路线.     

基于因果聚类分析理论的维修成本控制体系研究

供电网络的维修维护工程比较复杂,影响的因素较多,影响方式多种多样,这给成本控制造成了很大困难。为了解决这个问题,我们采用数据分析,建立预测模型的方法,通过分析预测误差和预测的置信区间,确定维护成本的控制范围。为了提高预测得准确性,利用历史数据对要素变量进行因果聚类。然后将各类型中的变量进行主成份分析,降低变量集的维数。对选出的变量用神经网络算法构建预测模型,并利用其误差的性质确定误差范围,实现对成本的控制。     

基于频谱分解和注意力机制的雷达回波外推算法

针对雷达回波数据，首次提出使用频谱分解的方式预先提取多尺度回波信息作为深度学习网络的输入数据，以丰富输入数据的特征信息。模型主框架采用UNet神经网络，并且针对模型退化问题，加入了残差连接结构。基于以上设计，提出SpAt-ResUNet预测模型。试验结果表明，相比于传统雷达回波外推算法SPROG与深度学习网络ResUNet模型，该模型对于未来1 h的雷达回波预测长时间外推图像模糊的问题以及强回波留存能力分别得到改善和增强。     

基于BP神经网络模型的泉州港粮食物流需求预测分析

以泉州港的粮食物流需求为分析目标,依托历年统计数据,运用BP神经网络建立粮食物流需求预测模型和MALTAB软件求解,对泉州港未来6年的粮食物流需求进行预测,并对泉州港粮食物流提出发展对策。     

基于粒子群优化反向传播神经网络的铁路路基沉降量预测

铁路路基沉降规律复杂、沉降量难以预测,因此提出一种粒子群优化反向传播神经网络的路基沉降量预测模型。传统神经网络建模时存在收敛速度慢、易陷入局部极小值等不足。因此,通过粒子群算法修正网络的初始权/阈值,提高全局收敛性,建立基于粒子群优化的反向传播神经网络预测模型。通过对宝中线实测数据进行仿真实验,结果显示：经粒子群优化的神经网络可避免局部极小问题,加快网络收敛速度,提高了对铁路路基沉降量的预测精度。     

基于神经网络模型的智能产业板块股价探究

针对金融波动性和市场风险,基于A股市场上70余只智能板块的股票近10年的四因子数据,从神经网络模型入手实证分析,利用随机梯度算法对收盘价预测,比较预测值与实际值的模型误差及损失函数,进行因子选取、算法改进及指标择优。结果表明,神经网络模型参数在批次为2、迭代次数为4 150时,MSE(均方误差)、MAPE(平均绝对百分比误差)、MAE(平均绝对误差)分别为60.191 1、30.732 6、4.803 2,收盘价的拟合效果最佳,该参数下的神经网络模型可用于探究股票市场价格趋势,为投资者、金融机构提供一定参考依据。     

时间序列与BP神经网络在新疆GDP预测中的对比分析

根据新疆维吾尔自治区2009年统计年鉴中的数据,构建并选用合适的时间序列模型、BP神经网络模型,对2004年-2008年的新疆GDP进行预测,并用预测结果与实际值求得相对误差,然后将两种模型的误差进行比较。结果表明,BP模型应用于新疆GDP预测较时间序列预测有较高的预测精度和良好的泛化能力。     

基于神经网络模型的上市公司财务预警研究

为了对上市公司财务状况进行合理预测,利用神经网络模型进行企业财务预警研究。首先,运用主成分分析等统计方法对初选的财务指标进行筛选,从初始指标中提取了五个因子作为财务预警指标;然后,选取2010至2013年间首次被特殊处理的上市公司作为财务危机样本企业,构建的财务预警模型提前三年的预测准确度近似于90%。研究结果表明,神经网络模型对我国上市公司财务状况预测具有较高的准确度,并且对预警指标进行适当的预处理,会提高模型预测的准确率。     

利用熵权属性识别模型对浅层地下水综合评价

利用熵权法和属性识别理论建立浅层地下水环境质量评价模型.采用地下水质量标准作为评价依据,选取15个影响因子作为评价指标,通过建立属性空间矩阵、计算属性测,再利用信息熵确定评价指标权重,应用置信度准则对晋江市浅层地下水环境质量进行属性识别与综合评价,评价结果表明该模型能有效地解决浅层地下水质量评价问题.     

基于特征工程的建设工程造价指数预测模型构建

对建设工程造价指数的预测能够有效解决建设项目前期投资估算误差较大引起的成本问题。结合实际工程中对造价指数预测模型的需求，以U市发布的2012—2021年建设工程造价指数为例，通过对比不同特征工程方法构建的XGBoost和神经网络两者之间预测误差，选择最优预测模型进行建设工程造价指数模型预测。结果表明，基于树模型特征筛选和均值填充数据集的XGBoost模型，在测试集、训练集、交叉验证误差最低，能够作为建设工程造价指数预测的模型。