基于改进随机森林的企业破产预测研究

企业破产数据中存在高维不平衡的特性,会导致模型预测性能降低且预测结果偏向于多数类.为了提高具有破产风险企业的预测准确率,将从特征、数据、模型3个方面综合考虑.首先提出一种Pearson相关系数特征提取规则进行特征选择,再使用已有的平衡化技术进行数据平衡化处理,最后提出了一种基于改变分类阈值的随机森林算法构建企业破产预测模型.在包含10173个公司数据集上的实验结果表明,本文的研究方法具有一定的优越性,对后续进行企业破产预测研究也具有较高的参考价值.     

汽车造型特征定量模型构建与应用

针对汽车造型特征难以定量化表达的问题,通过汽车造型特征空间构建和层次分析,对汽车造型的几何特征进行提取,并基于特征关系映射实验对汽车造型语义特征进行分析,构建了基于几何空间、语义空间及其映射关系的汽车造型特征定量化模型,并应用到设计实践中,初步解决了汽车造型设计主要依赖经验而定量工具缺乏的问题.     

基于过程神经网络的汉字特征提取方法的研究

文章研究了一种基于过程神经网络的脱机手写体汉字特征提取方法。采用描述汉字整体构架性和可拆分性的笔划类型、笔划位置、笔划顺序以及拓扑结构特征的融合,给出了一种脱机手写体汉字特征表征方法以及冗余容错表征形状。采用过程神经网络模型的横向时间累积和纵向空间加权求和方法,模拟手写体汉字从左到右和从上到下的书写过程,给出了提取脱机手写体汉字特征的算法与步骤。采用粒子群优化学习算法保证过程神经网络的全局学习能力和收敛能力,建立了手写体汉字特征知识数据结构表,对SCUT-IRAC中的手写体汉字特征提取进等了仿真实验,结果表明该方法具有良好的“认知”手写体汉字特征的能力。     

高光谱图像半监督局部稀疏嵌入降维算法

针对目前高光谱图像半监督降维算法中基于流形学习的开放性选择近邻参数问题,以及利用传统算法不能有效地获取标签数据的局部信息,提出了一种无需考虑近邻参数的半监督局部稀疏嵌入（SELSE）算法.该算法基于稀疏表示理论,通过求解范数优化问题构建稀疏系数图,并且利用有限的标签数据最大化类间信息,提取高光谱图像的特征.在AVIRIS高光谱遥感图像的Indian Pine数据集上进行仿真实验,结果表明所提出算法在分类精度和计算效率上都有所提高.     

基于特征点提取的弯道识别算法研究

针对高速公路弯道处事故率高的特点,研究了一种基于特征点提取的高速公路弯道识别方法,以降低弯道处交通事故发生率。采用Hough变换求出车道线直线方程,根据高速公路的特点建立适当的道路模型,确定对应直线段上的最低点和最高点;分别比较直线段两侧白色像素点的个数判断出曲线道路的弯曲方向,从而进一步确定曲线段上的特征点,同时对车道线候选特征点进行滤波;分段拟合车道线的直线段和曲线段,实现车道线的二维重建。实验表明,能识别不同形状的车道线,具有很高的实时性和准确性,且在不同道路干扰下对连续型分道线和虚线型分道线的检测都有良好的识别效果。     

具有无标度特性的港口网络演化模型

针对现实港口网络自身的结构特征,提出一个具有无标度特性的港口网络演化模型.在经典BBV加权网络模型的基础上,通过引进三角连接结构,研究了三角结构的演化机制对无标度模型结构特性的影响.仿真结果表明,该港口网络的度和强度都服从幂率分布.港口网络的平均簇系数与度的函数关系服从幂率分布.仿真结果表明三角结构的演化机制能够显著的提高网络的聚类系数.     

基于Gabor小波和LPP的浮选过程泡沫纹理特征提取及应用

针对Gabor小波进行特征提取时易造成维数灾难和识别效率不高的问题,提出一种基于Gabor小波滤波和局部保持投影(LPP)降维算法相结合的泡沫纹理特征提取方法.首先,利用Gabor滤波器获得原始泡沫图像5个尺度和8个方向的高维特征描述向量;然后,利用LPP算法得到降维特征向量;最后,利用此降维特征向量通过反向传播(BP)神经网络进行不同工况下泡沫类别的识别,进而指导实际矿物浮选生产.实验结果表明,相对于传统的GLCM方法和Gabor小波纹理特征提取方法,该方法可有效降低泡沫纹理特征向量维数并具有更高的识别效率.     

类车体尾迹流动非定常特性

通过与已发表的数据相比对,对大涡模拟方法的有效性进行验证.采用该数值方法对高雷诺数下25°后倾角Ahmed类车体背部斜面及尾部垂直面处尾迹区的流动进行解算.通过对背部斜面处分离泡、背部斜面侧边"C柱"处卷起的拖曳涡对及尾部垂直面处回流区流场信息的采用及相关频谱特性分析,研究并明确了尾迹区起主导作用的大尺度相干结构及运动的非定常特性.在流动的不同区域,类车体尾迹区流动的非定常特性不尽相同,主要体现为背部斜面分离泡的拍击振动具有绝对不稳定性特征,由KelvinHelmholtz(KH)不稳定性诱发的大尺度相干结构具有对流不稳定性特征;两侧"C柱"拖曳涡对在背部斜面上与展向涡相互耦合,具有较好的对称性;拖曳涡对在垂直面处回流区内与该区展向涡相互混掺,但无耦合作用且不具有对称性;垂直面处回流区内上、下侧剪切层卷起的展向涡以类似卡门涡街形式交替产生并脱落;高雷诺数时,整个尾迹区流动的特征频率趋于一致.     

深度学习源代码缺陷检测方法

针对由于传统的源代码缺陷分析技术依赖于分析人员的对安全问题的认识以及长期经验积累造成的缺陷检测误报率、漏报率较高的问题,提出了一种深度学习算法源代码缺陷检测方法.该方法根据深度学习算法,利用程序源代码的抽象语法树、数据流特征,通过训练源代码缺陷分类器完成源代码缺陷检测工作.其依据的关键理论是应用深度学习算法及自然语言处理中的词嵌套算法学习源代码抽象语法树和数据流中蕴含的深层次语义特征和语法特征,提出了应用于源代码缺陷检测的深度学习一般框架.使用公开数据集SARD对提出的方法进行验证,研究结果表明该方法在代码缺陷检测的准确率、召回率、误报率和漏报率方面均优于现有的检测方法.      

双向多尺度LSTM的短时温度预测

针对长短期记忆网络(long short-term memory,LSTM)无法有效提取温度数据的多尺度特征和反向特征的问题,该文提出了一种双向多尺度跳跃LSTM(bidirectional multi-scale skip long short-term memory,BMS-LSTM)的短时温度预测模型.该模型以LSTM为核心单元,采用双向深层网络结构提取反向特征; 根据温度数据日的周期性设置跳跃连接数提取多尺度特征,解决了指数增长的跳跃连接数后期跳跃尺度过大的问题; 最后使用全连接层进行特征融合预测.实验结果表明:BMS-LSTM成功提取了温度数据的多尺度特征和反向特征,预测均值误差仅为3.890,优于对比模型,是一种有效的短时温度预测模型.