现金流量预警指标视角下的BP神经网络模型实证检验研究——来自2007—2012年沪深两市ST公司的数据分析

文章针对现金流量指标的国内外研究动态,从财务危机预警角度构建现金流量预警指标体系;并选取2007年-2012年沪、深两市A股79家ST公司及79家非ST公司作为训练样本,用样本公司被ST前1年、2年、3年的数据对指标进行筛选,将BP神经网络模型预警结果与样本的实际结果进行比较。研究结果表明：BP神经网络模型t-1年、t-2年、t-3年的预测精度依次下降,但t-3年财务预警模型对训练样本的预测精度仍能达到79．22％,对检验样本的预测精度也能达到78％。     

活性艳红X-3B光催化降解的BPNN模拟研究

采用BP神经网络,以TiO2用量CTiO2、溶液初始浓度C0、溶液初始pH值、光照射时间t 4个重要影响因素为自变量,以脱色率DC为因变量,基于Box-Behnken设计和U10(10×53)设计实验数据建模,对活性艳红X-3B(简称X-3B)溶液进行光催化降解模拟研究.该模型对训练集和预测集的预测结果的相关系数R分别为0.9947和0.9905,DCExp.与DCCal.的平均相对误差MRE(%)则分别为5.96%和6.65%.表明该模型预测性能好,对X-3B光催化降解反应具有很好的模拟效果.     

基于增强数据集卷积神经网络的SAR目标识别方法

提出基于增强数据集卷积神经网络的合成孔径雷达(SAR)目标识别方法。卷积神经网络的分类能力与训练样本的数量和全面性息息相关。由于SAR目标识别中存在大量的扩展操作条件,基于原始少量训练样本的卷积神经网络稳健性较差。通过添加噪声构造噪声样本;通过多分辨率分析获得多分辨率的样本;通过模拟部分遮挡获得不同程度的遮挡样本。采用增强后的训练样本训练卷积神经网络从而提高其对于噪声干扰、分辨率变换以及部分遮挡等情形的稳健性。同时,由更多训练样本训练得到的网络对于其他扩展操作条件的适应性也有一定的提高。基于MSTAR数据集进行了验证实验,证明了提出方法的有效性。     

基于RBF神经网络的色彩空间转换研究

针对可变数字印刷中色彩空间转换的要求,文章提出一种基于RBF神经网络的RGB(Red,Green,Blue)→CMYK（Cyan,Magenta,Yellow,Black）色彩空间转换方法,解决了Lab色彩空间到CMYK色彩空间的非线性关系。通过研究分析RBF神经网络的原理,建立了基于RBF神经网络色彩空间转换数学模型,并在该模型下进行数据的预测与精度分析。实验结果表明,该方法实现的转换精度非常高,转换后的色偏明显减小,转换速度也很快。     

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明:集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。     

基于RBF神经网络的MEMS惯性传感器误差补偿方法

传统的微机电系统(MEMS)惯性传感器误差补偿技术通常采用多元线性回归误差模型,未考虑传感器误差的非线性特性,不能实现精确的误差补偿。针对以上问题,提出了一种基于径向基函数神经网络的微惯性测量单元误差补偿模型,将MEMS惯性传感器三轴测量值和真实值作为样本,对网络进行训练,利用训练好的网络对MEMS加速度计和陀螺仪进行误差补偿。实验结果表明:与多元线性回归误差模型相比,神经网络对惯性传感器具有更好的降噪滤波效果;且基于径向基函数神经网络的惯性传感器误差补偿精度较另外2种模型提升了1～2个数量级。所提方案能够有效地补偿MEMS惯性传感器误差。     

不同色度空间在颜色分割中的的比较

颜色是在复杂背景下物体检测早期阶段一个强大的基本线索。这篇文章分析了九种色度空间在二维静止图象中人脸自动检测和定位这个特别问题中的表现。对每个空间 ,我们以一种肤色模型用阀值从背景中分割出人脸 ,在分割图象中充分利用转换、刻度、和平面旋转矩实现特征抽取 ,最后得出结论。     

基于神经网络的六维力传感器静态标定方法研究

利用BP神经网络研究了六维力传感器的静态标定方法.良好的泛化能力是基于神经网络标定方法的关键,而现有基于神经网络的传感器标定方法对网络的泛化能力鲜有考虑.针对上述问题,以提高神经网络泛化能力为目的,对神经网络的训练样本、训练期望误差值和网络隐层单元数等的选取进行了研究.实验及计算机仿真表明,当选取样本数据具有遍历性时,利用神经网络标定后进行补偿计算可提高六维力传感器的测量精度.     

基于动量BP神经网络的PFI项目风险评价

运用BP(Back Propagation)神经网络技术,采用动量BP算法,构建风险评价模型.对PFI项目存在的系统风险及非系统风险进行划分,建立包含政治、法律、金融、生产、市场、信用以及环保等风险的PFI项目风险评价指标体系.对专家组打分获得的训练样本进行训练,得到可靠性验证的训练网络.最后,将某PFI项目打分结果输入已训练好的网络,判定该PFI项目风险等级,为私营公司的决策提供参考依据.     

高新技术园区投入产出绩效的智能评价

投入产出绩效评价是关系着中国各高新技术园区可持续发展的关键问题。由于评价问题的高维复杂性,神经网络方法与其他方法相比具有一定的优越性,但存在着训练准则和分类准则不一致的问题。采用一种区域映射神经网络模型,实现了从区域到区域的映射比区域到点的映射更快、更好,保证了神经网络训练准则与实际分类准则的一致性,具有比前馈式神经网络更快的收敛速度和更高的分类精度。利用区域映射神经网络模型对中国高新技术园区投入产出绩效进行智能评价,取得了较好的效果。     

基于粗糙集和RBF神经网络的分类模型研究

分类是数据挖掘中一个重要的研究领域。针对原始决策表中往往存在大量冗余信息,从而影响决策分类综合性能这一问题,提出了一种基于粗糙集和RBF神经网络的分类模型。该模型在保持训练样本分类质量的情况下,运用属性约简方法对决策表进行约简,得到维数较小的训练样本空间。通过这样确定RBF神经网络输入层变量,优化了网络结构。实例结果表明了该方法的有效性和实用性。     

对称单面鳍线的人工神经网络模型

采用知识人工神经网络模型拟对称平面鳍线,通过利用先验知识减小输入映射关系的复杂度,建立了知识人工神经网络模型,减少了训练样本的数量。同时保留了全波时域有限差分法的准确性,而且具有快速简便的优点。     

基于房屋普查数据的震害预测方法

提出了一种利用人工神经网络模型并以房屋普查数据为震害影响因子的震害预测方法.以建筑物的结构类型、层数、高度、建设年代、用途、现状质量等几个简单参数对城市、建筑物进行分类,并在此基础上进行建筑物的震害预测工作.根据震害因子的选取及网络对样本的训练效果建立一个人工神经网络模型,通过此模型对震害实例的预测结果进行分析,证明了此模型的实用性.利用房屋普查数据进行震害预测工作为研究快速震害预测方法提供了一个新的思路.     

基于BP神经网络的中小企业信用评价研究

利用因子分析法建立了我国中小企业信用评价财务指标体系,据此构建了单隐层结构的BP神经网络,并以2006年100家ST和非ST上市公司为训练样本,详细考察了隐含层结构和网络训练函数对BP神经网络辨识性能的影响,最终得到了具有较快收敛速度和较高准确率的BP神经网络。在此基础上,以2006年财务数据为研究样本,对102家上市中小企业进行了信用评价。结果表明,各中小企业之间的信用评价结果存在较大的异质性,说明采用BP神经网络进行信用评价具有较高的可操作性。     

非对称带状线间隙的人工神经网络模型

采用多层感知器神经网络模型模拟非对称带状线中的间隙不连续性。由时域有限差分方法计算得到一系列按全因素试验设计采样的训练数据，利用这些训练数据训练产生多层感知器神经网络模型，训练结束时存储工作空间。并采用未参加训练的ＦＤＴＤ 数据验证了人工神经网络的可靠性     

基于贝叶斯神经网络的非参数回归

提高神经网络模型推广能力的关键是控制模型的复杂度。该文探索了贝叶斯神经网络的非参数回归的建模方法,通过融入模型参数的先验知识,在给定数据样本及模型假设下进行后验概率的贝叶斯推理,使用马尔可夫链蒙特卡罗算法来优化模型控制参数,实现了对神经网络模型中不同部分复杂度的控制,获得了模型参数的后验分布及预测分布。在5个含噪二维函数回归问题上的应用显示了模型的复杂度能根据数据的复杂度而自适应调整,并给出了较好的预测结果。     

基于BP神经网络的农户小额信贷信用风险评估研究

利用2009年杨凌区三家农村信用社的实地调研资料进行了农户小额信贷信用风险评估的实证研究,对指标变量分别进行正态性检验、差异性检验和多重共线性检验,利用MATLAB7.0软件建立了8—14—1结构的BP神经网络农户信用风险评估模型。模型对训练集样本的总体判别正确率为100%,对测试集样本违约类农户的预测正确率达90%,总体正确率达84.09%。准确度较高,能够为农村信用社识别农户信用风险提供较好的依据。