基于变量双重检验的Fisher信用风险度量模型

为提高模型入选样本变量的准确性与稳定性，本文采用附加信息检验和多重共线性检验选择自变量，并应用Fisher判别原理建立信用风险度量函数。实证结果显示，所建立的模型对全部246个样本的误判率仅为6．91％，准确率为93．09％；而对风险样本的误判率为4．55％，正确辨别精度高达95．45％。     

核Fisher判别分析多参数自动优化算法

针对智能优化算法原理复杂,相关参数设置困难的缺点,尝试利用拟牛顿法对核Fisher判别分析多个核参数进行自动优化。根据经验风险最小准则构建目标函数。为保证目标函数连续且可导,通过连续的sigmoid函数将离散的二进制输出转化为连续的概率输出。利用正交表选取初始核参数点。实验结果表明,所提算法具有同遗传算法相近的分类性能,且收敛速度快,原理简单,可以很好地应用于核Fisher判别分析多个核参数优化。     

消费者信用评估分析综述

追溯消费者信用评估发展的历史,分析我国建立消费者信用评估体系过程中可能遇到的主要问题,包括人口漂移、个人信用动态变化、信用评价方法中指标的选取、保留酌情处理权、拒绝推论和信息缺失等,介绍目前应用的消费者信用评估方法,包括判别分析、回归分析（分为普通线性回归、logistic回归和probit回归）、数学规划法、分类树法、专家系统、神经网络和最近邻法,并比较分析各评估方法的性能。     

基于四阶累积量与核Fisher判别分析的MPSK信号分类方法

提出了一种基于高阶累积量和核Fisher判别分析的MPSK信号自动调制识别方法。该算法选取信号的四阶累积量作为分类特征,利用核函数的思想把特征向量映射到一个高维空间,并在高维空间中采用线性Fisher判别分析实现了数字信号的分类。选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳健的多类核Fisher判别分析分类器。计算仿真结果表明,基于核Fisher判别分析的分类器具有良好的性能,它与支持向量机的分类精度相当,且训练时间较短。     

基于核Fisher判别的群结构更新模型及群目标跟踪算法

传统的群结构模型(如群演化网络模型)通过比较两个目标间的马氏距离与根据先验知识所设阈值的大小来对群的分裂合并进行判断, 跟踪效果依赖于设定的阈值, 难以应对群目标跟踪中的各种复杂情况。本文将分群的问题看作一个二分类问题, 提出了一种基于核Fisher判别分析的群结构更新模型, 通过离线训练得到符合群分裂和群合并特性的群结构更新模型, 将其直接用于群结构更新。结合箱粒子概率假设密度滤波算法的群目标跟踪仿真实验表明, 对比群演化网络模型, 本文提出的群结构更新模型对群结构的估计更加准确, 其在数目估计方面更稳定, 对群目标的跟踪效果更好。     

消费者信用评估中支持向量机方法研究

消费者信用评估是金融与银行界研究的重要内容，最近的研究显示统计学习理论(SLT)方法在信用评估中有优势。本文在信用评估中应用了一种新的方法——支持向量机方法(SVM)，该方法属于机器学习理论发展的最新阶段，具有专门针对有限样本、算法复杂度与样本维数无关等优点。使用真实的信用卡数据实证结果表明，本方法具有较好的预测能力，在与国内某商业银行现有信用卡个人信用评估方法的对比研究中，该方法具有明显的优势。     

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。     

基于核的Fisher极小鉴别分析及人脸识别

Fisher鉴别分析被公认为是特征抽取的有效方法之一,但由于其只能抽取线性特征,而对于实际应用中复杂的样本图像分布,抽取非线性鉴别特征显得十分必要.先前的基于核Fisher鉴别分析算法虽然解决了非线性特征抽取问题,但是其存在最终特征维数受类别数限制的问题.为了能够进一步提高特征提取效率,提出了一种基于核的Fisher极小鉴别分析方法,该方法使得最终特征雏数不受类别教限制.在Yale和NUST603人脸库上进行了鉴别性能实验,实验结果验证了该方法的有效性.     

M.H.DIS模型在我国上市公司信用评估中的应用研究

针对我国目前缺乏适用的、高效的系统信用评估模型的现状,研究了由希腊学者提出的M.H.DIS信用评估模型.在对该模型的详细介绍的基础上,选用我国55家上市公司1999年财务数据作为训练样本,利用Matlab软件根据M.H.DIS模型的基本思想,构建了经验信用评估曲线,并利用60家上市公司2000年财务数据为检测样本进行检验,获得较好的实证检测效果.通过以上研究分析,文章提出该模型适合我国目前基本国情,具有良好的推广前景.     

基于遗传规划方法的商业银行信用风险评估模型

利用遗传规划方法研究了我国商业银行的信用风险评估问题 ,并使用我国商业银丢失实际数据对模型进行了实证检验 .检验结果表明 ,该模型在预测精度、实用价值和鲁棒性方面都优于传统的统计模型、神经网络模型和决策树模型.     

基于一种最优核鉴别矢量集的雷达目标识别

基于高分辨距离像的雷达目标识别的关键是如何提取距离像的有效鉴别特征.通过分析核Fisher准则函数下核类内散布矩阵的零空间信息与非零空间信息对识别的贡献,基于同构映射思想,求解出一组最优鉴别矢量集,用于提取距离像的鉴别特征.同时,给出一种快速算法,用较少的训练样本表达投影方向,加快了鉴别特征的提取速度.基于外场实测数据的实验证明了方法的有效性.     

信贷风险评价指标权重的聚类分析

信贷风险评价是银行重要的管理活动,评价指标的权重评估又是决定评价结果是否科学的关键环节。本文在分析同类研究弊端的基础上,利用相似系数矩阵对众多专家评价指标的权重意见进行筛选,解决了信贷风险评价体系指标权重的合理分配问题。其特色在于一是对专家意见进行聚类分析,而不是像通常那样不加处理地简单平均;二是在剔除某些专家权重意见时,结合实际问题的具体要求,在聚类分析的基础上,提出了一种更为简化的方法,易于在实践中推广;三是对于通过任何方法得出的群体权重意见,本方法都可以作为后续数据处理方法。     

递归分类树在信用风险分析中的应用

递归分类树是计算机实现 ,基于统计理论的非参数的识别技术 .本文将之用于商业银行信用风险分析 ,以判别分析为参照方法 ,加以实证研究 .结果表明递归分类树在变量选择和分类方面的效果好于判别分析方法.     

基于神经网络技术的商业银行信用风险评估

研究了神经网络技术在商业银行信用风险评估中的应用．实证结果表明, 与传统统计方法（判别分析）相比, 神经网络技术具有更高的预测精度和更强的鲁棒性。     

基于信息解释能力的小企业信用评级体系构建研究

以建立商业银行小企业客户信用评级指标体系为目的,提出一种系统的小企业信用评级指标体系构建方法.检验并剔除对企业违约影响不显著的信用评级指标,提出新的指标筛选方法以剔除综合信用风险识别能力弱的评级指标.其次,通过相关分析法降低评级指标集的整体信息重叠.再次,根据信用评级指标体系识别违约状态的准确率检验小企业信用评级指标体...