RBF神经网络非对称损失改进及应用

针对应用RBF（Radial Basis Function）神经网络信用评分中存在的第Ⅰ类错误率高的问题，提出了基于Linex损失下RBF神经网络分类方法，并给出了UCI（University of California Irvine）中德国信用评分数据集上的测试结果。实验结果表明，该方法能有效解决传统RBF神经网络信用评分中存在的问题。     

Linex损失下的BP神经网络分类方法及在人脸识别中的应用

针对一类特定目标人脸识别中存在的问题,提出一种基于Linex损失下BP神经网络的分类方法,并给出了剑桥大学ORL人脸库上的测试结果.实验结果表明,所提出的方法能有效解决传统BP神经网络特定目标人脸识别中存在的问题.     

基于反向传播算法神经网络的信用评分系统预测力研究

为了提高信用评分系统的预测准确性和稳定性，建立了基于反向传播（BP）算法神经网络的信用评分系统，并提出信用评分系统预测力和预测稳定性验证的新方法．结合信用评分问题的实际特点建立了模型并确定了参数，然后采用一种正向选入法确定输入变量，进行模型训练，并通过引入接收器操作特征曲线的分析理论、曲线面积（AUC）值及信息理论等评价方式，对所构造的神经网络信用评分系统预测力进行评价，最后利用自抽样法构造出多个验证样本来评估信用评分系统的稳定性．与传统的逻辑信用评分系统的比较结果表明，BP神经网络信用评分系统具有更高的预测准确性和稳定性，其AUC值平均提高0．0367，AUC值的标准误差平均降低0．005．     

基于改进投影寻踪技术和模糊神经网络的未受精种蛋检测模型

考虑基于计算机视觉技术的未受精种蛋无损检测中特征参数之间关系的复杂性和模糊性等因素,提出了一种基于改进投影寻踪模型和模糊神经网络相结合,作为种蛋是否受精品质归属的决策系统.利用量子投影寻踪技术对种蛋图像的复杂形状特征向量进行提取降维,给出了计算最佳投影方向的一种改进量子遗传算法;并且利用模糊神经网络的自动学习决策推理规则,实现了种蛋是否受精品质归属的无损检测.结果表明:该模型速度快且稳定,精度高且鲁棒性好,简单易于实现,精度达到99.37％,满足实际检测要求.     

融合GAN与深度神经网络的混合信用评估方法

随着信用卡和个人贷款业务在金融业的快速增长,如何在信息有限的情况下检测潜在违约或坏账业务已经变得极其重要。信用评分领域面临的主要困难是样本不平衡以及分类器性能不佳,为此本研究首先提出了一种基于表格数据的生成对抗网络Tab-GAN,从原始数据中生成足够的违约样本;随后设计了一种基于CNN-LSTM的混合深度学习模型用于特征提取,该模型包含卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)两个子模型,分别从用户数据中提取静态局部特征和动态时间特征,并加入时空注意力模块对模型的输出进行重要度计算,从而抽取更关键的信息;最后在分类器层面引入焦点损失函数改进轻量级梯度提升机(Light Gradient Boosting Machine,LightGBM)分类器,实现违约风险的概率输出。在两个真实世界数据集中验证风险预测模型,实验结果表明生成对抗网络可以有效解决样本不平衡问题,CNN-LSTM+LightGBM模型在各项分类评价指标上均优于信用评分领域的其他先进算法,证明了该模型在信用评分领域的有效性和可移植性。     

基于BP神经网络和主观评价的中药功效数值化模型

讨论了一种利用BP神经网络模拟人对中药的认识.以此为目的,首先将人类的根据经验得到的对中药的认识,以评分形式作主观量化.然后以此评分为学习样本,训练BP网络拟合评分人员的认识方式,建立中药数值化的主观评价模型.     

一种BP神经网络学习率的改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,提出了一种改进的BP神经网络学习率的优化算法。通过判断网络误差变化的趋势来决定动态学习率的调整方向,尤其网络误差处于下降状态时,不需调整。该策略使网络对误差曲面变化敏感且收敛速度快。最后,对两种算法的仿真比较证明了优化算法的有效性。     

一种BP神经网络学习率的改进方法

针对动态BP神经网络学习率优化方法收敛速度慢而且对误差曲面变化不敏感等不利因素,提出了一种改进的BP神经网络学习率的优化算法。通过判断网络误差变化的趋势来决定动态学习率的调整方向,尤其网络误差处于下降状态时,不需调整。该策略使网络对误差曲面变化敏感且收敛速度快。最后,对两种算法的仿真比较证明了优化算法的有效性。     

光面爆破效果参量预测的投影寻踪回归模型及应用

基于投影寻踪回归理论,选取炮眼密集系数、最小抵抗线、装药量、炮眼深度、抗压强度和泊松比6个因素为判别指标,建立光面爆破炮眼利用率、超挖量和半眼率的预测模型。将该方法应用于某矿巷道掘进光面爆破效果预测问题中,对现场实测的24组数据进行训练和检验,用另外4组现场数据作为预测样本进行测试。预测结果与实测情况较吻合。比较BP神经网络和投影寻踪回归2种方法对光面爆破炮孔利用率的预测结果,发现后者比前者预测结果更接近实际。以上研究表明:该方法回判估计性能良好,判别精度高,是一种预测光面爆破效果的有效方法,可以在实际工程中推广应用。     

基于改进BP神经网络理论的算法研究

研究了改进标准BP神经网络的方法,特别是研究加快标准BP神经网络收敛速度的方法。针对标准BP神经网络的收敛速度慢,分别采用3种方法修改网络的学习速率,然后建立了相应的改进BP网络模型,并把模型应用到实际生活中。和标准BP网络相比,提出的3种改进模犁都具有收敛速度快、精度高的优点。     

基于集成学习的用户信用卡违约预测模型研究

用户信用卡违约预测任务有助于银行等金融机构平衡经济风险与经济利益,对于银行信用卡业务的风险管控具有重要作用。针对用户信用卡违约预测问题,提出了一种基于集成学习的预测模型,有异于传统集成学习中的弱学习器。该模型采用集成模型和神经网络模型作为基学习器,从而提升模型整体的预测效果。首先通过预处理提取用户信用卡数据集的相关特征,然后分别采用优化后的决策树、随机森林、GBDT、XGBoost、CatBoost和SPE六种机器学习模型与神经网络模型进行并行训练和预测,最后通过加权软投票法集成基学习器结果并输出最终预测结果。结果表明,相对于基学习器,该模型在各项评估指标上均有所提升,且拥有更好的模型泛化能力。     

神经网络全局收敛快速算法在非线性建模中的应用

把神经网络当作结构已知的非线性系统,权系数的学习看成非线性系统的参数估计,给出前馈神经网络在线运行投影学习算法,理论上证明算法的全局收敛性,并讨论算法参数的选择范围．通过非线性时变系统的神经网络建模应用的仿真,验证算法的在线运行能力．     

支持向量机在银行客户信用评估中的应用

贷款业务是银行极为重要的资产业务,构建一个适用的客户信用评估模型十分重要。由于近年来在智能学习系统领域发展起来的新理论,并引入小样本学习的通用学习算法——支持向量机（Support Vector Machines,简称SVM）,建立银行客户信用评估模型。由于在统计学习理论中的结构风险最小化的SVM算法,克服了传统信用评估模型中的过拟合和局部最优的缺点。同时,通过在模型中采用核函数,有效地解决了线性不可分问题。因此,使得基于这种技术的评估模型具有较强的实用性。通过与神经网络模型的比较,证实了该方法用于风险评估的有效性及优越性。     

一种改进的深度网络残差学习的图像降噪方法

近年来,基于深度卷积神经网络的学习方法在图像降噪方面取得了前所未有的成果,通过调整网络结构和参数来获取更好的图像降噪效果已成为研究热点.降噪卷积神经网络在深度神经网络中采用残差学习方法,在提高降噪效果的同时,在一定程度上解决了盲降噪问题.其不足之处在于算法收敛时间长.该文针对降噪卷积神经网络结构做了进一步的改进,提出了一种基于反卷积降噪神经网络的图像降噪算法.该文工作的主要特色如下：1) 在原有的网络结构中,引入反卷积神经网络,优化了残差学习方式;2) 提出一种新的损失函数计算方法.使用BSD68和SET12测试数据集对本文提出的方法进行验证,实验结果表明,该文算法的降噪性能与降噪卷积神经网络算法相比,在相同降噪效果情形下,该文算法的收敛时间缩短了120%～138%.同时,与传统的深度学习图像降噪算法比较,该文方法的降噪效果和运行效率也都有提高.     

层析成像的模糊-神经网络重建方法

考虑投影数据不足时，射线层析成像的离散重建算法难以取得较好效果的情况，利用模糊理论建立了表示物体衰减系数的连续函数，用神经网络学习算法确定该连续函数中的待定参数．提出了一种适于投影数据或投影方向不够时的CT图像重建算法．计算机仿真结果显示了该方法在投影数据严重缺少时的良好效果。     

采用可替代滤波器的卷积神经网络模型剪枝方法

将卷积神经网络模型中某一层的所有滤波器抽象到一个欧几里德空间,对其中能被其他滤波器共同表示的滤波器剪枝,降低滤波器冗余,避免精度损失.使用强化学习进行边训练边剪枝,经过微调恢复神经网络模型性能.结果表明:剪枝并微调后的神经网络模型精度损失较小,参数量与浮点计算量显著减少.