基于不平衡数据的公司破产预测研究

整合创新数据预处理技术与集成算法利用不平衡数据探讨了公司破产预测问题。首先，运用冗余信息处理方法、不同抽样方法等对不平衡数据进行预处理。其次，以5.0分类器（Classifier 5.0,C5.0）决策树和单隐层前馈神经网络作为基分类器，分别与三类重抽样数据预处理技术结合，择出最优抽样法。再次，结合自助汇聚法提升分类效果，并运用十折交叉验证的受试者操作特征曲线的下方面积进行评价，对比了两基分类器的集成模型。最后，运用加利福尼亚大学尔湾分校数据库中一万多家波兰制造业公司的实际数据进行实验验证。实验结果表明：欠抽样或人工少数类过采样法与神经网络结合的集成模型分类效果最优，为企业实施破产预测提供积极支撑。     

基于超网络的舆论演化动态模型

针对舆论演化过程中的复杂动力学问题,提出了超网络视觉下的舆论演化动态模型,该模型包括节点的添加、重新连接链路、超边的添加以及节点的老化4个过程,其中节点代表关键词,超边代表关键词所构成的话题。其次,利用非均匀网络的演化机制,分别对该动态演化模型的超度、节点自身关注度与节点间影响力两个因素的超度进行了详细的理论分析,分析结果表明节点超度完全符合幂律分布。最后,通过Matlab仿真模拟,分析了不同参数对节点超度分布变化的影响,并进一步验证了结果是遵循幂律分布的。     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

线性区域数量与PLNN表达能力的相关性

使用分段线性激活函数的神经网络(PLNN)在机器学习中得到广泛应用.本文给出了一种PLNN模型表达能力的度量值——线性区域数量，并给出了线性区域的数学表示.分析了线性区域之间的关系并计算合并后的线性区域数量，同时给出一种基于Z曲线的线性区域数量的计算方法.针对一个任务实例进行分析，计算不同网络结构的线性区域数量及合并后的线性区域数量，分析了线性区域数量与不同网络结构的准确性的关联.结果表明，线性区域数量能够表现PLNN模型的表达能力，对于选择网络超参数及解释模型边界具有研究意义.     

中国风险投资网络结构特性及其演化

根据1999~2018年中国风险投资事件，构建了5年移动时间窗的联合风险投资网络，从复杂网络角度研究中国风险投资网络结构、特性及其动态演化规律。研究发现：在网络关系属性方面，中国风险投资网络规模在不断增大，机构之间网络能力差异性大，不利于网络的均衡发展；在网络结构层次方面，中国风险投资网络存在局部紧密性，并且，随着规模增大，网络中的最大连通成分占比也相应地增大，且机构多分布在凝聚性低的低 值核区域中，高凝聚区域少，不利于高紧密风险投资网络的构建；在网络特性方面，从两步内可达性看，机构之间进行直接联合投资活动占比小，机构之间多通过具有中介作用的风险投资机构来进行联合投资活动；从全局效率看，中国风险投资网络中机构之间传递信息的能力并没有随着网络规模的增大而减小，相反地保持在一个相对稳定的水平；在面对随机冲击时，网络规模越大，鲁棒性和有效性越强；在面对蓄意冲击时，鲁棒性在减弱，同时存在网络功能失效的危机。本文是对现有文献的补充，同时也给优化中国风险投资网络提出了一些参考意见。     

多任务深度卷积网络的CT图像方向校正

针对医学电子计算机断层扫描(CT)图像方向校正问题,提出一种并行卷积回归(PCRN)多任务深度学习网络.通过侧旋角度正回归和翻转概率逻辑回归,求得校正参数来精准地校正图像.进一步,针对医学图像训练样本稀缺的情况,提出一种串行回归(SCRN)的深度学习架构,弥补并行卷积回归网络在小样本情况下校正精度不足的问题.实验结果表明:在样本充分,并行卷积回归网络和样本稀缺情况下,串行卷积回归网络对小角度偏转、大角度偏转和翻转的腹部CT图像校正结果都优于传统的配准方法.     

基于动态博弈的补贴模式对机场群航线网络结构的影响研究

为探讨不同补贴模式对机场群航线网络结构的影响，本文构建了关于机场、航空公司和乘客之间的动态博弈模型，通过逆向归纳法得到了纳什均衡条件. 研究结果发现：（1）不同的补贴模式对多机场航线网络结构产生重要影响，低补贴模式促使机场群倾向于形成点对点航线网络结构，反之，在高补贴模式下机场群易于形成枢纽辐射航线网络； （2）在较低的空铁联运总运营成本环境下，补贴竞争使得航空公司倾向于选择系统内的大型机场作为枢纽机场；反之，如果空铁联运总运营成本相对较高，补贴竞争使得航空公司倾向于选择小机场作为枢纽节点； （3）随航班固定成本和空铁联运总运营成本的增大，大型机场作为枢纽节点的概率逐渐减少，而小机场被选为枢纽节点的概率将逐渐增大. 随着机场群内大型机场腹地服务人口比例的增大，航空公司选择点对点航线网络的概率在减小. 研究结论能够为民航管理部门科学制定和应用航线补贴政策提供决策依据.     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

基于特征选取与树状Parzen估计的入侵检测

针对目前网络空间安全形势快速变化带来的新风险和新挑战, 提出一种基于相关性分析的特征选取和树状Parzen估计优化的入侵检测方法。首先, 通过基于相关性分析的数据特征选取方法对数据维度进行压缩。其次, 对原始数据集进行特征筛选, 生成新的特征子集。最终, 使用序列模型优化算法中的树状Parzen估计算法对随机森林算法进行模型优化。实验结果表明, 相比其他应用机器学习算法的入侵检测方法, 所提方法在提升综合性能的同时拥有更高的检测效率, 有效地提升了入侵检测技术的实用性。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。