PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

采空区危险性评价方法优化

为了更合理精确地评价采空区危险性,对利用神经网络评价的方法进行优化,建立主成分分析法与神经网络结合的采空区危险性评价模型.从地质和工程条件出发,综合考虑影响采空区稳定性的13项主要因素,统计样本数据.运用主成分分析法对影响采空区稳定性的样本进行预处理,将分析结果作为神经网络的输入数据,减少输入变量,消除变量之间的相关性,从而加快数据处理速度,提高预测精度.将该方法应用于锡矿山的采空区危险性评价.结果表明,预测误差在8％以内,较未经主成分分析的神经网络预测精度有了很大提高.利用主成分分析法和神经网络结合建立的采空区危险性评价模型具有分析速度快、预测精度高等优点.该方法科学合理,为采空区危险性评价提供了一种更完善的评价体系.     

路堑开挖爆破对民房危害的随机森林预测模型

为研究路堑开挖爆破对邻近民房安全的危害,运用主成分分析及随机森林算法对其进行预测.选取爆破参数、地质条件、民房结构3个方面的共16项重要影响因素,采用主成分分析法并从中提取6个主要成分.以主成分值为输入,房屋安全程度的量化值为输出,建立路堑开挖爆破对邻近民房安全危害的随机森林预测模型.利用18组工程实例数据为训练样本,另外4组数据为检验样本,进行了模型的预测实验.实验结果表明:基于主成分分析的随机森林模型对数据的拟合度较高,预测误差低,该模型可以作为实现路堑开挖爆破对邻近民房安全危害预测的一个有效方法.     

基于PCA-SVR的池塘DO预测模型

为解决传统水质预测模型泛化能力低、预测精度差等问题,提出了基于主成分分析和支持向量机相结合的养殖池塘溶解氧预测模型.该模型通过主成分分析筛选反映池塘水体溶解氧信息的关键指标,减少模型输入变量,采用支持向量机算法建立水质预测模型,并用于长沙市乔口镇与望城区池塘养殖溶解氧预测中.结果表明,该模型预测精度高,同时具有很强的泛化能力与适应数据变化的能力,可用于池塘溶解氧预测.     

基于主成分分析和递归神经网络的短期股票指数预测

运用递归神经网络,并结合主成分分析方法建立基于主成分分析的递归神经网络(PCA-RNN)预测模型.实验采用玉米股票价格指数,首先,利用主成分法对玉米指数的多个指标进行特征提取,然后利用提取的主成分建立3种神经网络模型,并对开盘价进行预测,最后与ARIMA模型进行比较分析.结果表明PCA-RNN模型取得了较好的效果,更加适用于股票价格的短期预测,可以为决策者提供一定的参考.     

基于PCA的遗传神经网络在套损预测中的应用

为有效预测套损发生,掌握油水井套管的状况,减小套损所带来的损失,基于大庆油田南一区井网的现有资料,综合分析采集到的各种因素,建立了基于主成分分析的遗传神经网络模型。该模型首先对原始数据进行主成分分析,并将得到的主成分作为神经网络的输入,然后用遗传算法确定了网络的最佳初始权值和阈值,最后用神经网络进行预测。结果表明,该方法油井和水井的预测准确率分别达85%和82. 5%,证明经过主成分分析和遗传算法优化的BP神经网络的准确性和可靠性。     

多因变量线性模型下三类预测的最优性判别

在多因变量多元线性模型中就岭型主成分型预测与最优线性无偏预测、主成分型预测之间的最优性判别问题进行讨论.得到岭型主成分型预测在R(i)(·)准则下优于最优线性无偏预测和主成分型预测的两个充要条件,同时得到了其在MDE-准则和矩阵迹RT(·)意义下优于最优线性无偏预测和主成分型预测的充分条件.     

主成分logistic回归分析在底板突水预测中的应用

为对矿井底板突水进行预测,采用结合主成分分析法和logistic回归分析法的分析模型.利用主成分分析法对突水主控因素进行降维处理得到主成分,并计算出主成分在样本中的得分值;应用logistic回归分析法对确定好的主成分得分值进行logistic回归分析;把主成分转变回底板突水各主控因素,得到矿井各主控因素对于底板突水影响的回归模型.研究结果表明:可见模型的拟合优度很好,正确率达到90%以上;主成分logistic回归分析在底板突水预测中的应用是可行的.     

基于主成分分析和支持向量机的区域降水预测应用研究

将主成分分析和支持向量机回归相结合, 以广西5、6月区域平均日降水量作为预报对象, 进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析, 得到主成分数据序列; 其次, 根据主成分数据序列建立训练集训练支持向量机, 并利用遗传算法优化参数; 最后, 输入支持向量机所需数据, 得到主成分预测结果, 建立广西日降水预报模型. 实例计算结果表明, 支持向量机回归模型比逐步回归模型有更好的预测能力.     

基于改进M5′-主成分模型树的高心墙堆石坝沉降变形预测

针对高心墙堆石坝沉降变形过程动态非线性特点,建立基于改进M5'-主成分模型树的高心墙堆石坝沉降变形分析模型,在采用相关性分析甄选沉降变形影响因素和采用主成分分析将高维影响因素空间进行降维的基础上,利用该全局分段非线性模型对高心墙堆石坝沉降过程进行分析。通过与沉降量实测值对比,验证了改进M5'-主成分模型树的有效性。通过绝对差值和均方根误差2个指标对比分析改进M5'-主成分模型树与M5'模型树、多元线性回归模型、主成分回归分析模型的预测结果,表明改进M5'-主成分模型树预测沉降量具有更高的精度。     

企业财务困境短期与中长期预测指标的比较实证研究

首先分析企业财务困境的发生过程,然后提出系统化的预测指标选择方法,并根据该方法分别建立企业财务困境的短期和中长期预测指标体系,以研究反映企业短期与中长期财务状态的关键指标及其差别.最后使用建立的预测指标体系进行提前期为1年至5年的财务困境预测,通过实证分析说明其合理性和有效性.实证结果还表明,不同提前期下财务困境预测需要不同的预测指标.     

基于董事会治理因素的财务危机预警模型的构建

企业在经营过程中存在着越来越多的财务风险,为了防止这些风险演变为财务危机,及时进行财务危机预警分析,就需要理顺公司的治理结构,引入董事会治理因素来完善财务危机预警机制.以120家上市公司为研究对象,分别运用非参数检验、T检验以及主成分分析对财务变量和董事会治理变量进行筛选,进而运用Logistic回归分析构建预警模型.结果显示,未引入董事会治理变量的模型的预测正确率为92.5%,而引入董事会治理变量的模型预测正确率为94.15%,预警能力明显增强,也说明,董事会治理因素是影响公司财务危机的一个重要方面.     

上市公司摆脱财务困境的路径选择——基于公司治理的视角

近年来,公司财务困境成为学术界和实务界都十分关注的热点问题。导致公司发生财务困境的原因很多,而关键是公司治理问题。在基于公司治理对财务困境研究的相关文献的归纳和评价基础上,提出上市公司摆脱财务困境的路径选择。     

基于神经网络的企业财务危机预警系统的构建

针对目前企业财务危机预警模型存在的问题,提出一种基于神经网络的企业财务危机预警方法．重点阐述了前向三层BP网络企业财务危机预警系统的构建,并选取了30家上市公司作为样本,进行了网络训练和测试,结果表明所设计的预警模式是有效的．     

集成供应链下财务困境的传递及控制决策模型

供应链模式越来越成为市场中主要的竞争模式,当链条上某一企业发生财务困境会以订货量等为载体向链条其他节点传递,可能导致整个链条陷入财务困境.在单一制造商和零售商组成的两级供应链中,考虑企业的努力收益及努力成本,描述了财务困境由零售商向制造商传递的过程,探讨了采用集中决策机制时不同情形下制造商的决策行为.研究表明,零售商困境值处于一定范围内双方仍会采用集中决策机制;当困境较严重时,制造商会改变决策目标或者解除战略伙伴关系以避免困境的传递.最后通过算例对决策模型进行了具体应用,验证了模型的适用性.     

基于费歇判别分析的企业财务困境预警研究

选取2011年127家ST公司为财务困境公司,并对每个困境公司进行配对,利用财务困境公司和非财务困境公司T-2年现金流量数据,在费歇判别分析基础上,利用现金与总资产比率、每股收益增长率、净资产增长率、每股经营现金净流量和净利润现金含量5个现金流指标构建现金流量财务困境预警模型,模型整体判别准确率为88.2%.最后,通过ROC曲线对模型判别结果进行检验。     

公司主营业务质量与财务危机的相关性研究

通过运用上市公司中报数据和多元Z值判定模型对上市公司主营业务质量和财务危机的相关性进行实证分析,结果表明:主营业务质量在财务危机公司和非财务危机公司间存在着显著的差异,在单因素方差分析中,显著性水平达到了0.002,说明主营业务质量对区分两类公司有一定的价值。数据结果显示,上市公司必须以坚持和壮大自己的主营业务为核心,以形成和提高自己的核心竞争力为目标,来实施企业的发展战略。同时,利用中期报告数据构造的多元Z值判定模型,回判准确率达到了85%,预测精度达到了72.5%,说明我国上市公司中期报告具有相关的信息含量。     

经济欠发达地区乡镇财政走出困境的思考

阐述了经济欠发达地区乡镇财政的现状及存在的主要问题,分析了这些乡镇财政困难的成因,并对如何走出财政困境提出了相应的对策。     

基于Adaboost算法结合DEGWO-SVM的财务困境预测

针对支持向量机(SVM)在企业财务困境预测研究中存在参数选择困难、分类准确率低的问题,提出了一种新的Adaboost-DEGWO-SVM组合模型.首先,通过对2017年全部A股上市公司的财务数据进行数据预处理,提取1∶1的困境公司(ST)和正常公司组成建模数据集;然后,利用差分进化算法(DE)改进灰狼优化算法(GWO)来提高其全局搜索能力,以解决灰狼算法易陷入局部最优的问题,从而实现对SVM参数c和γ的寻优;最后,通过Adaboost算法提高了DEGWO-SVM模型的分类能力.实验结果表明,Adaboost-DEGWO-SVM组合预测模型具有明显的困境预测优势,与DEGWO-SVM相比,分类准确率提高了4.34%,Ⅰ类错误和Ⅱ类错误分别降低了0.043 5;与单一SVM相比,分类准确率提高了13.04%,Ⅰ类错误、Ⅱ类错误分别降低了0.130 4、0.130 5,是一种潜在的企业财务困境预测方法.     

基于主成分分析和粗径向基神经网络的财务预警模型研究

将主成分分析和径向基函数神经网络结合,以粗糙集作为预处理器进行指标约简,并以传统财务指标为基础,引入反映企业现实财务状况的现金流量指标,通过主成分分析提取指标和降维,利用径向基函数神经网络作为判别企业财务状态的工具,构建上市公司财务危机预警的RPR模型,实证研究结果证明了该模型具有较高的建模精度和泛化能力。