以客户终身价值为准则的客户重要程度识别系统

以客户终身价值为准则对客户重要程度进行识别.首先吸收了复杂网络的研究成果,推出了客户终身价值的计算式;然后运用“忠诚度”映射此公式中几个无法直接观测到的影响因素,同时运用典型调查和综合评价法算出各类客户的忠诚度,从而建立起客户特征集与忠诚度的分类回归树,获得客户终身价值的计算值;最后以某企业为例,运用BP人工神经网络训练出一个以客户终身价值为准则的客户识别系统.     

基于案例比较信息的多准则群决策分类方法

提出了一个基于案例比较信息的多准则群决策分类方法.该方法使用级别高于关系作为决策者的偏好模型.它要求决策者根据自己的偏好预先给出部分方案之间的比较信息.基于这些比较信息和决策者的重要度确定了具有最大可信度的群体一致案例比较信息集,并利用该信息集构建一个混合整数规划模型来计算方案的分类区间,从而引导决策者给出部分方案的精确分类信息.在此基础上,确定一个代表函数来获得其余方案的精确分类.最后通过一个实例说明了方法的可行性和合理性.     

具有二次函数的多准则层次分类方法

提出了一种集成函数是二次函数且有训练集的多准则层次分类决策方法。该方法利用决策者对训练集的分类结果(属于最高分类和不属于最高分类)构建非线性规划模型,然后采用一系列处理方法将非线性规划模型转换成线性规划模型,求解线性规划,得到训练集中各方案准则值的偏好值和相应参数,通过线性插值或样条插值得到方案在各准则下的偏好值,并计算方案集中方案的与该分类一致性指标值和与低于该分类一致性指标值的差,以确定方案是否属于该分类,然后对不属于最高分类的训练集中的方案进行分类,并构建模型。继续上述过程,直到方案集中所有方案均进行分类为止。最后实例说明该方法的有效性和可行性。     

基于分类树的商业银行信贷分类数据处理问题

分类树是一种通过计算机实现、基于统计理论的非参数的识别技术.讨论了用于解决贷款分类中有关企业信息缺失和对企业信用信息进行拣选的问题.实证分析表明,分类树在这2个问题上表现出较强的容错性和定性分析能力.     

基于遗传算法和分类树的信用分类方法

银行信贷信用评估本质上是个分类问题,已有统计和非统计的各种方法应用于信用评估,其中分类树方法,也称为递归分割法,比较适用于处理定性变量,而作为非统计方法之一的遗传算法则适用于处理连续型定量变量之间的非线性关系,但无法处理定性变量,利用这两种方法特点的互补性,构建了一种分类树和遗传算法相结合的信贷信用评估方法,先用分类树方法按照定性变量分类,然后在每个叶结点上用遗传算法按照定量变量分类.实证分析表明,该方法比单独使用分类树方法或遗传算法的分类准确率高.     

基于模糊聚类的信息不完全确定的多准则分类方法

针对权系数信息不完全确定且有训练集的多准则分类决策问题,提出了一种基于模糊聚类的分类方法。该方法在考虑对训练集分类的基础上,结合不完全确定的准则权系数信息等建立模糊聚类模型,通过遗传算法求解所得优化模型,得出准则权系数和聚类中心,计算方案属于各类别的隶属度,进而得到整个方案集的分类。实例说明了该方法的有效性和可行性。     

基于多分类器动态集成的电信客户流失预测

本文提出了一种新的基于多分类器动态选择与优化集成的电信客户流失预测集成模型.首先使用K均值聚类算法对训练集样本进行分区;然后分别使用Naive-Bayes算法、多层感知机算法和J48算法构建各分区客户流失预测子分类器;最后对各分区子分类器进行线性集成,并使用人工蜂群算法优化其集成权重.当测试样本由聚类算法判断出其归属区域后,再分别使用分区子分类器进行预测,最后使用优化权重进行线性集成.实验结果表明:动态集成模型优于单模型;基于人工蜂群算法优化集成模型优于其它集成模型.     

基于回归树与衰减函数的在线负面口碑影响力预测

影响力预测是企业在线负面口碑处理的关键环节.论文通过综合考虑信息发布者特征和信息内容特征两个维度形成特征空间,采用影响力衰减函数描述负面口碑影响力的多变趋势,提出了一种基于回归树与衰减函数的IMM-RTDF模型来预测在线负面口碑的影响力.实验结果表明,考虑信息内容特征有助于提高预测精度,同时发现用不同的衰减函数能更好地描述异质负面口碑影响力的变化趋势,进而能提高模型性能.基于此方法的在线负面口碑处理策略为企业进行客户关系管理和资源配置提供了决策支持.     

基于多准则优化的组合预测方法

介绍了9个预测效果评价准则,提出了一种基于多准则优化的组合预测方法。该方法不同于传统的基于改善单个预测效果评价准则的组合预测方法,它综合多个准则并考虑某些准则的组合预测效果评价值优于其单个预测方法的效果评价准则值建立优化模型,利用遗传算法求解其非线性规划模型,得到组合权系数。最后实例说明该方法的可行性和有效性。     

基于回归神经网络的氧乐果合成过程建模与仿真

氧乐果合成过程具有非线性、时变和不确定性的特点，难以采用常规的建模方法建立模型。BP网络可用于非线性系统的建模，但不能很好的反映实际系统的动态特性。提出了一种静态BP神经网络加多分头延时(TDL)环节构成回归神经网络建立系统动态模型的方法，用于氧乐果合成反应温度控制过程的建模与仿真研究。结果表明，该方法建立的模型误差较小、网络泛化能力较强，能较好的反应实际系统的动态特性，从而为培训操作人员的控制水平提供了低成本的仿真手段，也为自动控制算法的研究提供了仿真模型。     

一种PID型模糊神经网络控制器

为了使一种基于两维控制规则基的PID型模糊控制器具有参数在线学习功能，提出了一种包含一个自回归神经元的五层模糊神经网络，并根据梯度下降法，给出了它各权值的修正算法，该网络可以在反馈控制系统中作为一个自学习控制器来使用，最后，根据有关定理，给出并证明了该网络各层权值学习速率的收敛准则。     

Expert System Based on Data Mining and Neural Networks

1　 IntroductionAlthough there are momentous progresses and application in Expert System ( ES) [1 ] ,thereare some innate limitations resulting from its symbolic information processing mechanism.Here are some problems listed below:the bottleneck of knowledge acquisition,the frailtyof knowledge,the monotony of inference.So a lot of researchers have advanced manyfresh theories and methods. For example,the knowledge representation includes:theobject-oriented and prototype representation techniq…     

基于神经网络集成系统的股市预测模型

基于神经网络集成理论,建立股市预测模型.其中分别建立"基本数据模型"、"技术指标模型"和"宏观分析模型",最后以简单平均生成集成系统.实证分析表明,股市预测神经网络集成系统的泛化能力高于各个独立的模型,从而使模型具有更好的稳健性和更好的应用价值.     

一种基于神经网络的免疫识别故障检测模型

提出了一种基于神经网络的免疫识别故障检测模型.该模型根据免疫识别原理来构造神经网络检测器,通过训练将被检测对象的故障模式信息存储于分布的检测器中,检测器用于捕获被检测对象的异常模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现故障,并给出了相应的训练算法.通过滚动轴承损伤检测的仿真实验,表明该方法对由轴承损伤冲击造成的信号突变保持了较高的灵敏度和分辨率,对于滚动轴承的监测具有一定的应用价值,并可方便地推广到其他类似的工业应用领域.     

自组织数据挖掘与人工神经网络方法比较研究

着重分析了自组织数据挖掘与人工神经网络方法对系统的先验知识的利用 ,算法过程以及推广能力方面的差别 ,显示了自组织数据挖掘方法具有能同时利用关于系统的先验知识和来自观察数据样本的信息的良好性能 ,并指出 ,这应当成为研究复杂系统的一条重要途径.     

基于案例挖掘的新的智能决策支持系统研究

应用数据挖掘与知识发现和递归的自-组织模糊神经推理网络(recurrent self-organizing neural fuzzy inference network,RSONFIN)的方法,针对案例支持系统中经常遇到的模糊性问题,提出一种基于案例挖掘的新的智能决策支持系统.通过案例挖掘的应用实例表明了该系统的有效性和可行性.     

基于HMM和小波网络模型的抗噪语音识别方法

提出一种隐马尔可夫模型(HMM)和小波神经网络(WNN)混合模型的抗噪语音识别方法。该方法首先利用HMM对语音信号进行时序建模，并计算出待识语音对HMM的输出概率评分，再将此概率评分作为小波神经网络的输入，获取分类识别信息，最后根据混合模型的识别算法作出识别决策。实验结果表明，在噪声环境下，由于HMM的强时序建模能力和小波神经网络的强模式分类能力，该混合模型比单纯HMM具有更强的噪声鲁棒性，明显改善了语音识别系统的性能。     

一种军事图像目标识别神经网络系统

在军事图像目标识别中,目标通常发生比例、平移、旋转变化,有时还处于复杂背景之中或部分被障碍物遮挡,而识别往往要求是实时的。这使得传统的图像目标识别方法不能获得较好的效果。本文提出了一种神经网络目标识别系统,该系统能直接识别图像目标,而无需提取图像中的目标特征,具有目标识别的比例、平移、旋转不变性,具有良好的复杂背景下的目标识别性能,是一种高速、实用、识别率高的军事图像目标识别神经网络系统。文中给出了改进的神经网络模型并针对不同军事目标的识别需要进行了仿真实验。     

基于雷达/红外神经网络融合目标跟踪算法

提出—种基于雷达/红外传感器神经网络融合的机动目标跟踪算法，利用神经网络的非线性逼近能力，将神经网络与卡尔曼滤波器相结合构成一个非线性估计器，该算法可以对来自红外成像传感器的补充信息加以充分利用，进行机动检测，把计算负荷转移到神经网络，在改善跟踪性能的同时又保持跟踪滤波的计算结构尽可能简单。仿真结果表明所提出的跟踪滤波算法在跟踪应用上优于—般的非线性估计算法，它最明显的优点就是减少了数字计算上的复杂性，提高了跟踪算法的快速性。     

基于遗传神经网络的癌症死亡率预测

分析了遗传算法(GeneticAlgorithm,GA)和人工神经网络(ArtificialNeuralNetwork,ANN)的优缺点,在此基础上,提出了将遗传算法与人工神经网络有机结合的遗传神经网络此外,利用长期进行的恶性肿瘤登记的报告资料,采用遗传神经网络对北京地区的癌症死亡率进行预测结果表明该研究工作是可行的,可以作为预测的一种有效手段.