基于DBT分类算法的银行贷款风险评估

银行贷款风险评估一直是金融界高度关注的主要问题,现有方法主要包括K-means聚类、BP神经网络、简单决策树、VAR方法等多种风险评估算法。但对于客户属性值缺失的案例,上述方法就很难达到良好的效果。为了解决属性值缺失的风险评估问题。提出了一种基于贝叶斯决策树算法的贷款风险评估算法(DBT),实验结果证明了该算法的有效性。     

Tri-training算法中分类器组合的改进

Tri-training算法是半监督协同算法里的经典算法,该文针对算法中分类器的使用做了一些改进,由原先单一的分类器换成两个不同分类器的组合。使用SVM分类器和最大熵分类器的不同组合作为Tri-training算法里的三个分类器构成分类器模型,然后分别对稀疏型数据、密集型数据与原始Tri-training算法进行实验比较,从而验证改进的有效性。     

Machinery Condition Prediction Based on Support Vector Machine Model with Wavelet Transform

Soft failure of mechanical equipment makes its performance drop gradually,which occupies a large proportion and has certain regularity. The performance can be evaluated and predicted through early state monitoring and data analysis. The vibration signal was modeled from the double row bearing,and wavelet transform and support vector machine model（ WT-SVM model） was constructed and trained for bearing degradation process prediction. Besides Hazen plotting position relationships was applied to describing the degradation trend distribution and a 95%confidence level based on t-distribution was given. The single SVM model and neural network（ NN） approach were also investigated as a comparison. Results indicate that the WT-SVM model outperforms the NN and single SVM models,and is feasible and effective in machinery condition prediction.     

基于决策树的数据挖掘技术在医疗设备成本绩效分析中的应用研究

近年来,医院信息系统(HIS)在医院得到广泛普及和应用,医疗设备的使用率和效益都得到了很大提高.但目前在HIS中病人信息管理模块和医疗设备管理模块两者是相互分离的,不能够很好的对医疗设备购置前的可行性论证提供决策支持,对设备投入使用后的效益分析也不太精确.探讨了如何利用决策树算法,对医疗设备数据进行数据挖掘,从而实现对医疗设备从购置前的论证到淘汰报废全过程的决策分析,提高医疗设备的社会效益和经济效益.     

基于区域生长和融合特征SVM的涂胶缺陷检测

针对传统的涂胶工艺缺陷检测精度低、效率低的问题,文章提出一种基于区域生长和融合特征支持向量机(support vector machine, SVM)的涂胶缺陷检测算法。首先对图像进行预处理操作;然后通过改进的快速细化算法提取涂胶区域,将去除毛刺后骨架特征作为起始生长种子,为改善分割不完全现象,采用中心像素加权灰度和区域自适应阈值生长准则分割出完整的涂胶区域;最后结合改进边缘梯度特征和区域纹理特征的优点,将改进的梯度方向直方图-多半径局部二值模式(improved histogram of oriented gradient-multi radius block local binary pattern, IHOG-MBLBP)融合特征送入SVM多分类器进行训练,实现对涂胶区域缺陷的精确检测。经过实验验证,所设计的缺陷检测算法能够精确地提取骨架并分割出完整的涂胶区域,对于涂胶缺陷具有较高的检测精度和效率,能够满足工业生产需求。     

基于多分类SVM算法的癫痫发作自动检测方法

高性能的癫痫脑电信号自动检测方法对减轻医生负担并提高癫痫的诊断效率具有重要临床研究意义。论文提出了一种能够区分正常、癫痫发作和发作间期脑电信号的高性能三分类系统。采用Daubechies 4小波构成的4级提升式小波变换将脑电信号分解为不同子带信号,求得不同子带信号的近似熵、Teager能量、局部波动率、自回归系数、Hurst指数特征值;利用Fisher得分法进行特征选择,提高分类精度同时减小计算复杂度;基于二叉树多分类支持矢量机(support vector machine, SVM)对脑电信号分类,实现正常、癫痫发作和发作间期信号的自动检测。实验表明,系统的准确率、灵敏度和特异性均达到100%,优于现有的分类识别方法,提出的三分类系统具有良好的分类性能,为癫痫及癫痫发作的临床检测提供了较好参考价值。     

基于光度立体技术的地板疵点检测方法研究

不同类型地板的疵点检测系统需要不同的检测算法,这样不仅会提高生产成本,还会造成产品检测流水线的复杂程度,为此我们提出了一种对两种不同纹理表面地板疵点的检测方法。首先采集若干幅地板图像,利用光度立体测量技术进行处理,再通过SVM分类器对图像分类。对表面光滑的LC11软木地板疵点进行一般的阈值分割算法处理即可;对于表面粗糙的荔枝纹pvc运动地板预先进行平滑滤波、FFT处理,再通过阈值分割等算法处理。试验结果表明,我们提出的这种疵点检测方法可以较好地满足对两类地板疵点的检测。     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

用于中药人参品类鉴别的算法研究及硬件实现

提高人参品类的鉴别效果, 研制了一套智能化自动检测系统。 该系统硬件主要包括气体传感器阵列的 驱动电路、 信号调理和数据采集电路、 信息处理单元电路、 进气部分电路控制电路、 外部接口电路。 该系统使 用主成分分析(PCA: Principal Component Analysis)与支持向量机(SVM: Support Vector Machine)相结合的算法 实现对人参品类的鉴别, 同时利用 PID(Proportion Integral Differential)算法实现对气室温度的智能控制, 提高了 气体传感器的稳定性和精确度。 使用该系统对红参、 白参、 西洋参、 太子参、 三七(小人参)以及外形与气味相 似的天花粉进行了多组测试。 实验结果表明, 该系统对人参品类的鉴别具有较高的准确度, 并且操作简单、 成本低廉, 具有良好的应用前景。     

基于决策树和改进SVM混合模型的语音情感识别

为有效提高语音情感识别的准确性,达到人机和谐交互的目的,本文提出了一种基于决策树和改进SVM混合模型的语音情感识别方法,有效地避免了无界泛化误差、分类器数目多、受限优化等问题,提高了悲伤、喜悦、愤怒、厌恶、惊讶、恐惧6种基本情感识别效率。实验结果表明,该方法识别准确率为87.58%,与传统的支持向量机和人工神经网络方法相比,有更高的抗噪声能力和稳定性,能得到更高的识别准确率,而且有较强的实用性和推广能力。