基于Bayes判别法的脑电图数据分析的研究

目的:本文通过对客观记录的受试者脑电图数据进行Bayes判别分析,判断其能否应用于脑电数据特征提取和分类决策。为脑电图研究的其它分析做基础分析。方法:根据α波的强弱不同将21导电极分为四类,分别对63例正常状态下受试者21导联电极的脑电图数据进行Bayes判别分析,并利用误判率回代估计法检验判别准确率。数据处理和统计分析采用独立设计的脑电图分析工具箱和Bayes判别分析程序。结果:表明对63例正常状态下受试者的脑电图数据进行Bayes判别分析,预测各电极分类准确率75.4%。结论:Bayes判别法预测准确率较高,脑电特征(主要为α波)提取较为准确,能较好的应用于脑电数据特征提取和分类决策中,从而辅助脑电图的检查和定量分析,为脑电图的检验提供有效的分析手段。     

回采巷道围岩稳定性分类的加权距离判别分析法

基于距离判别分析理论及主成分分析的降维思想，选取影响回采巷道围岩稳定性的综合因素如压力系数P、节理发育程度、松动圈尺度L作为判别因子，分别建立了假定各总体协方差阵相等的马氏距离判别分析（MD-1）模型、考虑各总体协方差不一定全相等的马氏距离判别分析（MD-2）模型、加权距离判别分析（WMD）模型。并以平顶山矿区30条回采巷道实测数据作为学习样本进行训练。经过训练后的模型回判估计，WMD模型与MD-2模型的误判率为0，MD-1模型的误判率为0.067。结果对比表明，WMD比常规的MD-2具有更高的判别能力， MD-1判别效果最差，这说明应用距离判别分析法，特别是加权距离判别分析法是一种准确有效的回采巷道围岩稳定性分类方法。     

基于核Fisher判别分析的油田油水层预测

对新疆油田公司的测井数据,利用核Fisher判别分析法(KFDA)判别油层水层。首先通过非线性映射(由核函数隐含定义)将样本映射到特征空间,然后在特征空间中用fisher判别分析(FDA)进行分类。实验结果表明,KFDA方法的预测准确率达92.9%,高于用Fisher判别分析法及人工神经网络(ANN)、支持向量机(SVM)方法进行判别的准确率。     

财务指标与判别分析相结合的投资价值研究

文章通过分析评价公司偿债能力、营运能力和盈利能力的传统财务指标,总结出这些指标在判别公司偿债能力、营运能力、盈利能力等方面的不足;提出了使用判别分析与财务指标相结合的方法来分析公司的财务状况,并对判别分析的基本思想和分类进行了阐述。最后结合判别函数和判别准则利用软件对水泥上市公司的财务数据进行了实证分析,表明财务指标结合判别分析能为投资者进行科学的价值投资决策提供可靠的数据保证和科学的决策依据。     

基于随机森林的智能终端定位模型和算法

以智能终端为研究对象,将动态定位作为研究目标,根据数据获取、预处理、特征提取和选择,分类器设计与分类决策等五个方面提出了基于随机森林的定位模型和算法,详细论述了算法的执行流程,并通过用户测试数据仿真对模型进行了验证,结果表明该模型的定位算法结果准确率在90%左右。     

马尔可夫性及其检验方法研究

马尔可夫链广泛应用于信息论、自动控制、通信技术、基因遗传、计算机科学、经济管理、教育管理、市场预测等领域,马尔可夫性是其最基本特征,因此,在运用马尔可夫链进行预测时,必须对预测对象以往的统计数据资料构成的随机变量序列的马尔可夫性进行检验,只有符合马尔可夫性,才能利用马尔可夫链进行预测,才能保证预测精度。本文探讨了马氏性的概念及性质,研究了马尔可夫性的检验方法,通过实例对该检验方法进行了分析。     

沃尔比重评分法改进及评价效果的验证研究

沃尔比重评分法是公司财务综合评价的常用方法,但该模型结构简单,指标选取上趋于单一,对现代企业评价效果有限.文章针对沃尔比重评分法中评分计算和评价标准进行了改进,并选取了65家上市通信及相关制造业公司财务数据作为样本,分另用原模型和改进模型计算单项指标分数,利用SPSS统计软件对两组中间数据进行聚类和判别分析;最后采用拟合优化检验的方法对原模型和改进模型的判别分类效果验证.实验数据显示改进的沃尔比重评分法较原模型更为准确.     

训练样本分布不均的KNN分类改进算法

分类是数据挖掘的重要组成部分,它根据类标号已知的数据建立模型,进而使用该模型来预测类标号未知的数据所属的类。KNN方法作为一种简单、有效、非参数的分类方法,在文本分类中得到广泛的应用,但是这种方法在训练样本的分布不均匀时会造成分类准确率的下降。针对KNN方法存在的这个问题,本文提出了一种基于相对距离的KNN分类方法,这种方法减少了边界点处测试样本的误判。实验结果显示,这种方法具有很好的性能。     

基于XGBoost的上市公司财务舞弊预测模型研究

研究目标:探讨如何利用大数据和机器学习方法对上市公司财务数据和非财务数据进行分析和挖掘，并应用于上市公司财务舞弊识别和预测。研究方法:提出一种基于机器学习方法的上市公司财务舞弊预测模型Xscore,对上市公司财务舞弊进行预测。研究发现:Xscore模型能够提高模型预测的准确率，在准确率、召回率、AUC指标、KS值、PSI稳定性等方面均优于Fscore模型和Cscore模型，更适合我国上市公司财务舞弊预测。研究创新:基于2000～2020年中国上市公司数据集为观测样本，通过Benford定律、LOF局部异常法、IF无监督学习法，解决了机器学习应用于财务舞弊识别研究时普遍面临的灰色样本问题，甄选兼具领域特性和统计特征的特征变量；首次将XGBoost集成学习方法应用到上市公司财务舞弊预测分析中，有效提高了上市公司财务舞弊准确率。研究价值:本文将XGBoost集成学习方法引入上市公司财务舞弊识别领域，有助于促进人工智能、机器学习在会计学中的研究与应用，为促进上市公司披露高质量的财务信息和维护资本市场秩序提供参考。     

基于Fisher判别方法的信用风险评估实证研究

商业银行信用风险评估的文献大多是将财务比率作为自变量建立模型,判别信息存在一定的滞后性。文章将财务比率与证券市场数据结合起来,增加了基于KMV模型,利用证券市场数据计算的违约距离作为Fi sher判别函数新的自变量,建立Fi sher判别函数,然后运用模型对总样本和检验样本进行实证分析,结果表明加入违约距离,将财务比率与证券市场结合的信用风险判别模型既能反映上市公司的历史财务状况,亦能反映现实市场变化情况,从而提高了商业银行预警信用风险的准确度。