基于集成学习的复杂仿真模型验证方法

针对复杂仿真模型验证中海量数据的相似性分析问题,提出了一种基于集成学习的仿真模型验证方法。将仿真时间序列与参考时间序列的相似性分析问题转换为相似性等级分类问题,进而利用神经网络、支持向量机、集成学习等机器学习方法,设计了一种集成分类系统对时间序列的相似性等级进行分类。为了增强基分类器的多样性,提出了基于惩罚因子的多样性筛选准则;通过挑选具有最大差异性的基分类器,构造高性能集成分类系统。最后利用相关数据,对所提出的方法进行应用研究,验证了方法的有效性。     

基于SMOTEBoost的非均衡数据集SVM分类器

在对实际问题进行数据挖掘时面临的多数是非均衡数据集,即各种类型的数据分布并不均匀,且关注的类型常是少数类.运用含有少量少数类型事例的数据集训练后的模型进行预测时,通常对多数类的预测精度很高,而少数类的预测精确性却很差.提出了一种集成方法SMOTEBoostSVM,通过SMOTE技术人工生成增加少数类样本量,以具有较强分类性能和泛化性能的SVM作为弱分类器,并以AdaBoost算法构建集成分类器.实验结果表明,SMOTEBoostSVM集成分类器比单纯运用SMOTE技术、AdaBoost算法以及SVM等的分类器,在非均衡数据集的分类预测中具有更好的效果.     

局部学习半监督多类分类机

半监督多类分类问题是机器学习和模式识别领域中的一个研究热点, 目前大多数多类分类算法是将问题分解成若干个二类分类问题来求解. 提出两种类标号表示方法来避免多个二类分类问题的求解, 一种是单位圆类标号表示方法, 一种是二进制序列类标号表示方法, 并利用局部学习在二类分类问题中的良好学习特性, 提出基于局部学习的半监督多类分类机. 实验结果证明采用了基于局部学习的半监督多类分类机错分率更小, 稳定性更高.     

一种新的支持矢量数据描述模糊识别方法

支持矢量机(SVM)是一种两类分类器,而支持矢量数据描述(SVDD)是一种单类数据分类方法,通过在特征空间寻找包含某类样本的最小超球体来对样本分类,该方法只需已知某类数据即可构造分类器.但是在SVDD方法中,直接根据超球体构造的分类器对样本数据正确识别能力不高.针对这个问题,根据样本在特征空间中到各个超球体球心的距离构造了样本属于各-个类别的模糊隶属度函数,提出了FSVDD多目标识别方法.在FSVDD的训练过程中采用了乘性迭代规则的快速优化算法,该快速算法降低了优化的复杂度和缩短了优化时间.在针对不同类型数据集的识别实验中,证明了提出的FSVDD多目标识别算法具有训练速度快、识别率高的优点,有很强的实用性.     

基于半模糊核聚类的模糊超球支持向量机多类分类方法

针对支持向量机(SVM)在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球SVM分类方法.该方法基于半模糊核聚类生成模糊类,利用模糊类提供的边缘样本信息,利用超球SVM进行多类分类,从而有效提高分类器的性能.实验表明,该方法比传统方法具有更高的速度和精度.     

基于RCS特征的谐振区舰船目标识别

利用谐振区RCS特征对舰船目标进行识别.深入研究了频率预先优化选择问题,提出了一种新的基于最小分类错误准则的频率选择方法,用以改善目标识别性能.给出了一种基于多类目标假设检验理论的带有拒绝判定目标出现门限的近邻分类器.对五类舰船目标识别的仿真结果表明,新的选频方法显著提高了识别性能;扩展的近邻分类器表现出较为理想的拒判能力.     

混沌序列自适应多步预测及在股票中的应用

针对混沌时间序列自适应预测方法在多步预测中预测器系数无法调节的问题,根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点,提出了一种自适应多步预测方法.在多步预测中,该方法根据已知样本得到对将来值的预测值并能自适应调节滤波器系数.仿真结果表明此方法的多步预测性能明显好于自适应预测方法的多步预测性能.将此方法应用于对股票数据的预测,得到了较好的预测结果.     

基于模糊核聚类的SVM多类分类方法

针对SVM在大类别模式分类中存在的问题,提出了一种基于模糊核聚类的SVM多类分类方法,并给出了一种高效的半模糊核聚类算法。该方法基于模糊核聚类方法生成模糊类,并采用树结构将多个SVM组合起来实现多类分类。模糊核聚类方法不但能够实现更为准确的聚类,而且能够挖掘模糊类的外围、不同模糊类之间的交叠情况等信息,利用这些信息能有效提高分类器的性能。实验表明,所提方法比传统方法具有更高的速度和精度。     

ECOC多类分类中基分类器non-competence问题研究

在纠错输出编码(error-correcting output code, ECOC)多类分类中,当待识别样本的真实类别不属于对应二类子类划分时,训练得到的基分类器将不具备对此类样本进行分类的能力,此时的基分类器在解码融合时面临着non-competence问题。如何衡量基分类器是否具备对样本的分类能力,以及如果不具备,如何减少此种情况下对分类效果的影响是基于ECOC多类分类面临的新问题。针对解码框架中non-competent基分类器的分类融合问题,提出一种基于基分类器对样本是否具有分类能力的加权解码方法。该方法利用支持向量数据描述衡量待识别样本与各划分子类之间的距离,同时利用加权解码,通过对基分类器权重的学习，进而增强对类别拥有分类能力的基分类器的影响,减少不具备分类能力的基分类器产生的误差。基于UCI数据集的实验表明所提方法的有效性和实用性。     

基于模糊积分的纠错输出解码研究

针对基于纠错输出编码的多类分类中解码策略的选择问题,提出一种基于模糊积分的解码方法.将每个基分类器看作一个证据源,其概率输出提供了测试样本所属类别的可能性;同时基于基分类器信任度和混淆矩阵对模糊密度的赋值进行了改进;最后求取最大的模糊积分值所对应的类别为分类输出.基于UCI数据集和经典解码方法的比较实验验证了本文所提方法作为二符号解码策略的可行性和有效性.     

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.     

中国股票市场的收益分布及其SPA检验

以上证综指和代表性波动周期为例,采用样本外的滚动时间窗预测法,计算了不同收益分布假设下的波动率模型对指数波动率的预测值,并进一步运用基于自举法的SPA检验,评估了各种分布假设对上证综指波动的预测精度.实证结果显示:就中国股市而言,有偏分布能够提供最优的波动率预测精度;在某些损失函数标准下,广义误差分布也具有较好的预测表现.     

基于GD-FNN的股票市场泡沫模型

针对股票市场内部结构复杂性和外部因素多变性, 构建一种基于预测的股票市场泡沫模型. 以上证指数为研究对象, 在价格和成交量的基础上, 将与股票市场密切相关的宏观经济指标引入泡沫模型指标体系, 并对指标体系中各变量之间长期均衡关系和因果关系进行数量分析. 在此指标体系下, 构建向量自回归模型(VAR)模型衡量股票市场基础价值, 并据此分析宏观经济指标对市场的影响; 同时构建基于椭圆基函数且能够动态调整网络结构的广义动态模糊神经网络模型(GD-FNN)对上证指数进行拟合预测作为股票市场的市场价值, 并通过GD-FNN模型提取的模糊规则对股票非线性系统运行模式进行分析. 最后, 根据预测的股票市场市场价值与基础价值之间的偏差计算泡沫度, 并提出相应的预警策略.     

多分类概率极限学习机及其在剩余使用寿命预测中的应用

针对多分类极限学习机(extreme-learning-machine,ELM)缺乏概率输出能力问题,提出一种基于sigmoid后验概率映射和Lagrange成对耦合法的多分类概率ELM(multi-class probabilistic ELM,MPELM)。采用成对耦合法将多分类问题分解成多个二分类问题,利用sigmoid函数将二分类ELM输出映射成概率输出。为融合所有二分类概率输出,推导基于Lagrange乘子法的多分类概率计算公式,最终求解被预测样本分属不同类别的概率。将MPELM用于剩余使用寿命(remaining-useful life,RUL)预测,实验结果表明,相比于多分类概率支持向量机(multi-class probabilistic support vector machine,MPSVM),MPELM耗时高于MPSVM,但MPELM所需优化参数少,预测精度高于MPSVM;与基于Hastie成对耦合法的MPELM相比,两者预测精度相近,本文MPELM的测试耗时较少。     

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。     

基于杠杆和流动性冲击的股指期货保证金定价

现有研究对股指期货保证金定价多仅围绕波动率因素来考虑,而忽视了流动性冲击、杠杆和交叉持股所导致的现货价格极端变化对期货保证金的影响,即在保证金定价中未能考虑现货市场的流动性风险和组合再平衡风险.鉴于此,本文首先分析了流动性冲击下杠杆对投资组合价值的影响机理,以及交叉持股对现货标的的正反馈效应;然后通过持有成本模型将这些因素引入到股指期货价格变化中,最终构建保证金定价模型.模拟分析发现:现货市场中的杠杆水平、流动性冲击水平均与股指期货保证金显著正相关;且与传统模型相比,本文提出的定价模型所计算的股指期货保证金要显著高于前者,这也意味着本模型的确能够有效解决流动性冲击严重或者杠杆过高情况下,股指期货保证金的合理调整问题.     

买方市场中的价格战对沪深股市国有控股上市公司的国有资产保值增值的危害的研究

根据近两年来我国沪深股市成份股公司的实际经营情况 ,分析了我国的买方市场中的价格战对国有控股上市公司股东权益等指标造成的危害 ,提出了建立国有控股上市公司国有资产保值增值动态系统模型的方法.     

Text classification toward a scientific forum

Text mining, also known as discovering knowledge from the text, which has emerged as a possible solution for the current information explosion, refers to the process of extracting non-trivial and useful patterns from unstructured text. Among the general tasks of text mining such as text clustering, summarization, etc, text classification is a subtask of intelligent information processing, which employs unsupervised learning to construct a classifier from training text by which to predict the class of unlabeled text. Because of its simplicity and objectivity in performance evaluation, text classification was usually used as a standard tool to determine the advantage or weakness of a text processing method, such as text representation, text feature selection, etc. In this paper, text classification is carried out to classify the Web documents collected from XSSC Website （http：//www.xssc.ac.cn）. The performance of support vector machine （SVM） and back propagation neural network （BPNN） is compared on this task. Specifically, binary text classification and multi-class text classification were conducted on the XSSC documents. Moreover, the classification results of both methods are combined to improve the accuracy of classification. An experiment is conducted to show that BPNN can compete with SVM in binary text classification; but for multi-class text classification, SVM performs much better. Furthermore, the classification is improved in both binary and multi-class with the combined method.     

基于微信文本挖掘的投资者情绪与股票市场表现

本文以基于微信文本挖掘的投资者情绪与上证指数收盘价、成交量为研究对象,研究了投资者情绪时间序列与收盘价、成交量时间序列之间的关系.研究结果验证了投资者三种情绪倾向对股票市场的影响方式和效果不同:基于微信文本挖掘的投资者消极情绪比例能够稳定预测上证指数收盘价,基于微信文本挖掘的投资者积极情绪倾向和中性情绪倾向比例的增减变动能够迅速引发滞后1天的上证指数成交量的增减变动.研究表明基于微信文本挖掘的投资者情绪对于预测股票市场表现有重要作用.