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.     

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损失下股票投资的贝叶斯预测

在一种新的状态划分方法下,给出了基于Linex损失函数的股票未来价格的多层贝叶斯预测,文中给出了一个实例,将该方法同平方损失下的贝叶斯预测作了对比,说明了该方法的合理性和正确性.     

Linex损失下Poisson分布参数的Bayes估计

记X1,X2,…,Xn为来自Poisson总体容量为n的样本,在Linex损失函数下,给出了Pois-son分布参数θ的Bayes估计并证明其可容许性,同时也得到了该参数的多层Bayes估计的表达式。     

复合Linex对称损失下Rayleigh分布参数倒数的两种Bayes估计

在复合Linex对称损失函数下,研究了Rayleigh分布位置参数已知的情况下,对尺度参数的倒数的Bayes估计和E-Bayes估计,随机模拟证明了其科学性.     

Linex损失下逆高斯分布参数倒数的Bayes估计

本文在Linex损失函数下,研究逆高斯分布参数倒数的Bayes估计,并且讨论了多层Bayes估计并证明该参数的Bayes估计是可容许的.     

Linex损失下E·B估计的收敛速度

基于弱平稳同分布正相协(PA)样本,对一类单边截断型分布族在Linex损失下获得了位置参数的Bayes估计·并构造了相应的经验Bayes(E·B)估计,证明了该估计是渐近最优的并且获得了它的收敛速度,最后给出适合定理条件的一个例子.     

Linex损失下Rayleigh分布参数倒数的Bayes估计

在Linex损失函数L(θ,δ)=ec(δ-θ)-c(δ-θ)-1,c>0下,给出Rayleigh分布的尺度参数倒数的唯一Bayes估计δB(X)=-1/clnE(e-cθ│X)=(n α)/cln(1 c/(λ T)),多层Byaes估计δ∧B(X)=-1/cln,和容许性估计的一般形式Sln(1 c/(d T)).     

Linex损失下Pareto分布参数的EB估计：PA样本情形

在Linex损失下,讨论了Pareto分布参数的经验Bayes（EB）估计.利用同分布PA样本下概率密度函数的核估计构造了参数的经验Bayes估计,建立了所提出经验Bayes估计的收敛速度.在一定的条件下该收敛速度可以任意接近于1.     

Linex损失下Pareto分布参数的Bayes估计

该文讨论了在Linex非对称损失函数下Pareto分布参数的Bayes估计及多层Bayes估计,并证明了相应的估计是可容许的.     

多层感知器信用评价模型研究

建立多层感知器(MLP)神经网络信用评价模型，用来对我国2000年96家上市公司进行信用评级。按照各上市公司的经营状况分为“好”、“中”、“差”三类，每一类由32家上市公司构成数据样本。对于每一家上市公司，主要考虑其经营状况的四个主要财务指标：每股收益，每股净资产，净资产收益率和每股现金流量，所有数据都来自于2000年上市公司年报。对于MLP网络结构，隐层结点的个数是采用试验的方法来确定的。先从1个开始，然后逐个逐个地增加，一直增加到不能再改善网络性能为止。仿真结果表明，多层感知器信用评价模型分类的准确率达到79．17％。此外，还详细给出MLP网络模型的学习算法和步骤。     

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．     

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。     

MLINEX损失函数下具有风险相依效应的信度模型

该文既考虑了制定保费的公平性、合理性,又考虑了各风险组之间的相依效应,利用信度理论的方法得到了MLINEX损失函数下Bühlmann-Straub模型的具有特殊相依效应的信度保费,进而推导出MLINEX损失函数下Bühlmann模型的具有此种相依效应的信度保费,也得到了结构参数的估计量,因此,推广了经典信度理论.     

两种不同神经网络算法预测人口的研究

文章利用MATLAB编程软件,分别建立RBF神经网络和BP神经网络,采用《中国人口统计年鉴》中1999-2003年男性人口总数量作为样本,分别对RBF神经网络和BP神经网络进行训练,并预测后5年后男性人口数量.结果表明这两种方法预测人口均是可行的,效果较好,误差很小.