非平衡样本下基于生成对抗网络过抽样技术的公司债券违约风险预测研究

本文基于我国在公开市场发行过信用类债券的违约数据,利用了基于Wasserstein距离的生成对抗网络模型和SMOTE抽样技术对违约样本进行过抽样以提高非平衡样本下违约风险模型的预测效果.为检验过抽样技术对分类模型的改进效果,实证分析对不同的重抽样样本类别比例下分类模型的预测结果进行比较.研究结果表明过抽样技术能够显著地分类模型的预测精度,而且预测效果随着样本类别比例达到平衡而不断提高.和经典的SMOTE抽样技术相比,基于Wasserstein距离的生成对抗网络过抽样技术不仅可以提高分类模型的AUC指标,同时还能显著地改进F1得分.研究结果表明通过生成对抗网络对少数类样本进行过抽样能够显著地提升机器学习算法对债券违约风险的预测效果,为研究非平衡样本下的债券违约风险预测提供一种新的解决思路.     

基于传感器网络的在线决策融合目标检测方法

针对传感器网络(sensor network, SN)目标融合检测应用中融合中心无法精确地获得局部传感器节点检测性能参数的问题,建立了基于SN的目标融合检测系统,提出了一种非理想信道条件下在线决策融合的目标检测方法。该方法依据解调后数据构建了节点未知虚警概率、检测概率以及节点与融合中心信道平均传输错误概率等未知参数求解模型,并采用非线性最小二乘方法在线地估计出这些未知参数。进而通过选择性能优的节点参与融合,最大化融合检测系统检测概率。仿真结果表明:这种在线决策融合方法能够准确地估计出传感器节点的概率参数以及信道的平均传输错误率;相比于已知先验的最优似然比融合规则,在线决策融合规则检测性能相当。     

基于交叉细化和循环注意力的RGB-D显著性目标检测

针对显著性目标检测区域边界模糊以及检测区域不精确不完整的问题,提出了基于交叉细化和循环注意力的RGB-D显著性目标检测方法。在利用编码器提取特征的阶段设计了交叉细化模块,用于补充对方的特征信息,改善了融合前的特征质量,抑制了质量较差的深度图带来的消极影响,解决了显著性目标边缘模糊的问题。针对融合后的特征,提出联合注意力机制与卷积长短期记忆网络单元的循环模块以模拟大脑的内部生成机制,通过检索过往的记忆帮助推断当前的决策,从而获得需要长期记忆的语义场景,可以全面学习融合特征的内部语义关系,生成检测区域更完整,更准确的显著性图。在6个公开数据集上进行的实验表明,所提的方法可以得到边缘清晰且准确度更高的显著图。