不同模型在财务预警实证中的比较研究

研究当前国内外公司财务困境预测问题的现状,寻找一套适合于我国企业的财务状况识别指标体系;然后依据该指标体系采用不同方法建立财务状况预测模型;最后,利用样本公司实际指标数据对各个模型的短期及中期预测效果进行了比较分析与实证研究。     

遗传算法优化神经网络及信用评价研究

研究关于公司神经网络信用评估问题的现状,提出遗传算法辅助网络训练策略(优化后的网络称为进化网络),克服传统网络建模中产生的局部极小缺陷。建立了适合于我国商业企业的信用评分指标体系;然后依据该指标体系建立了基于进化神经网络的信用评估模型;最后,利用样本公司实际指标数据对该模型的评分效果进行了比较研究。     

基于主成分分析和概率神经网络的入侵检测方法

针对神经网络在入侵检测的应用中存在入侵数据冗余信息多,数据量大,训练时间长,易陷入局部最优等问题,提出了一种基于主成分分析(PCA)和概率神经网络(PNN)的入侵检测方法。首先使用PCA对数据进行特征降维,解决了入侵数据冗余信息多的问题;然后使用PNN建立入侵检测模型;其次,使用粒子群算法(PSO)解决概率神经网络参数的优化问题;最后使用KDD99数据集对该模型进行测试。实验结果表明:该方法能够有效提高检测的效果,而且检测速度明显提高。     

基于小波神经网络的企业技术创新能力评价

科学、全面地评价和分析企业的技术创新能力,对于企业探索提升技术创新水平以及政府制定相关扶持政策等具有重要的指导意义。文章从企业的内在相关能力、内部环境以及外部环境等3个维度构建企业技术创新能力评价指标体系,同时,提出一种基于小波神经网络的企业技术创新能力综合评价方法,建立企业技术创新能力定量评价模型。通过实证分析,验证了评价体系的有效性和实用性。     

基于人工神经网络的回采巷道护巷煤柱稳定性分析模型

影响回采巷道保护煤柱稳定性的因素较多，煤柱稳定性计算经验公式没有全面考虑各因素的影响。所有影响因素和煤柱稳定性存在复杂非线性关系，进化神经网络结合遗传算法和BP神经网络算法的优势对处理复杂非线性关系有较好的优势。本文将回采巷道保护煤柱稳定性参数作为学习训练样本，进行网络学习训练，确定回采巷道保护煤柱稳定性影响因素和煤柱稳定性之间的复杂非线性关系，建立模型进行回采巷道护巷煤柱稳定性分析。     

人文社科研究投入绩效提升路径：可达目标研究

现有关于人文社科研发投入绩效改进方向的研究并不多见。基于教育部人文社科研究省际面板数据，在所提出的新的投入要素绩效分析与改进框架下，通过SBM-Super效率模型测度绩效，将完全有效率的最佳投入作为改进方向，并基于联立方程模型分析投入要素绩效，最后采用BP人工神经网络进行稳健性检验与辅助分析。结果表明：人文社科研究纯技术效率较低，规模效率较高，近年来效率呈下降趋势；人文社科研发经费绩效较低，低于研发劳动力；可达目标情况下研发经费的贡献提升较快，但仍然低于研发劳动力；人文社科现状与可达目标下人文社科投入绩效仍然有较大差距。     

党政机构微博在突发事件中传播效果的影响因素及策略

在分析铁路货运量预测方法的基础上，针对标准BP神经网络的不足，提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度，以此来得到更好的激励函数响应特征以及更好的非线性表达能力；其次，利用附加动量因子，通过对以前经验的积累，既降低了神经网络对误差曲面的局部细节敏感特性，又较好的遏制了神经网络易于限于局部最小的缺陷；最后，采取改变学习率的方法，给定一个较大的学习率初始值，在学习的过程中学习率不断减小，网络最终趋于稳定。改进BP算法既可以得到更优的解，还能够缩短训练时间。利用全国铁路货运     

基于神经网络的测井评价油层污染研究

利用测井资料,在剖析传统的测井评价油(气)层污染方法的基础上,介绍了利用BP神经网络这一现代数理统计新技术来实现测井多参数评定油气层污染程度的方法和技巧;以华北二连油田实际资料为例,建立了测井判释油气层污染的数学物理模型,并进行了模拟预测。结果表明:该法简便可行,对污染评价参数预测精度较高,对污染程度评价合理准确,可作为油(气)层污     

基于统计相关的缺失值数据处理研究

针对数据库中存在缺失值的问题,文章建立了统计相关分析与机器学习相结合的缺失数据处理方法.首先利用统计相关性对原始数据进行分析,找出与缺失值属性相关度较大的属性,提取这些属性的已知值作为训练数据建立模型,再利用建立起来的模型估算缺失值.以UCI数据库真实的数据为例进行仿真,并对比分析了支持向量机、神经网络和决策树三种机器学习算法,实验结果表明利用相关度较大的已知属性值来训练学习,其估算值精度明显提高.     

基于盾构掘进参数的LVQ神经网络地层识别

以苏州4号线2标及2号线东延伸线5标地铁工程为背景，分析了盾构机的掘进参数：千斤顶推力、推进速度、刀盘扭矩、螺旋机转速和同步注浆量在不同地层条件下的变化规律。提出了基于盾构机掘进参数的学习向量量化（Learning Vector Quantization，LVQ）神经网络地层识别方法。建立了以盾构机五个掘进参数作为输入，地层特性编码为输出的数学模型，通过每种地层100组训练样本对模型进行训练，通过57步训练，训练样本误差控制在0.1以内，并用每种地层50组检验样本进行检验，地层总体识别率达到82.7%。