基于粗糙集和AHP的中小企业信用风险评估模型研究

本文针对于中小企业信用评估指标过多,评估效率和准确率不高的问题,提出了一种基于粗糙集与AHP的中小企业信用评估模型。该模型以粗糙集的约简理论简化企业的财务数据指标数量,以AHP层次分析法量化各指标间的权重关系,建立一套科学合理的信用评估体系,并将该体系应用于2005—2007的上市公司年报,实验结果表明,该模型不仅方便...     

基于贝叶斯神经网络的智能诊断系统

模型复杂度是制约智能诊断系统的瓶颈,利用贝叶斯网络为扩展神经网络提供了新的思路。融入模型的先验知识,与观察到的数据样本相结合,来进行后验概率的贝叶斯推理。使用马尔科夫链蒙特卡洛方法以获得模型参数的后验分布,实现了对神经网络模型中不同部分复杂度的近制,并在实验中得到证实。     

基于粗糙集和熵模型的电力企业融资风险评价

电力企业上市以来,企业的融资能力的强弱直接影响到企业的有效运营。本文以电力上市公司为研究对象,选取了10家电力行业上市公司的41项财务指标为研究样本,首先利用粗糙集进行属性约简,然后引入熵权评价模型进行求解评价,从而将这些定量、定性混杂的问题综合为统一整体,使无序的信息变成有序可比的信息。该模型应用于电力企业的融资能力信用评价具有重大的现实意义。     

基于深度学习的风机故障智能诊断

风力发电场往往建设在地方人稀的地区,分布范围很广,而且由于安装高度很高,导致很难直接实施观测与故障诊断。通过安装在线传感器,可以对数据进行实时监测,然而风机结构复杂,信号包含了大量噪声,对其进行高效的故障监测是一个难点。针对此,文章将深度学习引入故障识别中,通过使用堆栈式自动编码器建立智能识别网络,将信号频谱直接输入网络,不需要人工提取特征,实现风机的智能诊断。这种方式有效减少了人工工作量,大大提高了诊断的效率。     

基于粗糙集理论的航材故障影响因素分析

对航材故障进行分析及数据挖掘,找出造成航材故障的因素。通过运用粗糙集理论对采集到的数据进行属性分析,对不必要的数据进行属性约简,从中得到影响航材故障发生的关键因素。     

基于粗糙集-层次分析法的航材供应商选择模型

航材筹措是航材保障工作的重要一环,是保证飞行任务遂行的基础,而供应商的选择是其关键问题.针对航材供应商的评估决策问题,综合考虑航材保障的经济效益与军事效益,分析航材供应商评价指标,建立评价指标体系;结合粗糙集理论和层次分析法,构建评价模型.充分吸收主、客观赋权评价法的优点,有机集成得到组合权重评价模型,在此基础上对各供应商打分评价.最后,通过实例进行评估验证,结果表明组合方法在航材供应商选择中具有可行性和有效性.     

基于粗糙集理论的工程项目风险评估研究

工程项目的风险评估中,风险指标的重要度权重计算是核心部分,其计算结果对风险控制计划和措施的制定具有指导作用。文章基于粗糙集理论的条件信息熵属性重要度分析方法,采用粗糙集理论计算所得的风险指标重要度客观权重,以及专家评定的主观权重结合起来确定风险指标的综合重要度权重,实现主观经验与客观历史数据的统一,得到更为全面、合理的风险指标重要度权重值,从而制定出更为合理的风险控制措施和计划,为后续工程风险评估提供参考。     

基于神经网络的商业经济发展规划智能决策系统研究

针对商业流通经济发展及决策特点，建立了商业经济现代化发展评价指标体系，分析了商业经济发展规划智能决策支持系统（CEIDSS）的结构框架、关键技术及其实现方案。     

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。     

基于粗糙集的RFM分析对银行贷款客户分类的研究

长期以来,信用风险是金融行业,特别是银行业的最主要的风险形式。贷款是商业银行的主要资产业务,因此其经营风险与生俱来,商业银行要保持稳健经营,必须加强贷款的风险控制管理,建立健全包括银行贷款风险管理在内的金融系统。本文旨在运用基于粗糙集的数据挖掘技术,将市场营销中的RFM客户细分的方法运用于贷款客户信用度的分类中去,为银行贷款的风险控制管理提供决策支持。     

联合谐波小波与递归神经网络的股市时间序列预测

为了提高神经网络对股市时间序列的预测精度,首先利用谐波小波对股票市场数据进行多尺度分解,将其分解为不同尺度且具有平移不变特征的谐波小波分量;然后根据股市时间序列的特点,构建递归神经网络模型进行短期预测,以不同尺度的谐波小波分量为输入数据,对股市数据进行多尺度预测;最后对不同尺度的预测结果进行谐波小波重构,得到最终的股市预测数据。对我国股票市场进行了实验分析,结果表明：股市时间序列经谐波小波分解后,股市数据中不同投资时间水平的价格波动可以被较好的分离,有效地提高了股票市场数据的预测精度。