基于后验概率加权的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点,提出了一种基于后验概率的加权模糊支持向量机.在模糊支持向量机中引入样本后验概率加权系数后,得到的样本点的隶属度在减弱噪音及孤立点对支持向量机分类的影响的同时,不影响支持向量对分类超平面的作用.实验结果证明,在抗击孤立点和噪音点的干扰方面,该法取得了很好的效果,提高了支持向量机分类的泛化能力和应用范围.     

基于后验概率SVM的交通标志识别研究

在无人车交通标志识别系统中,以传统的神经网络算法或标准的支持向量机算法（SVM）设计的分类器,只能反映样本是否属于某类而不能确定样本属于某类的可信度,提出一种后验概率SVM交通标志识别方法。首先对检测与跟踪得到的交通标志大概区域图像进行彩色分割以精确定位交通标志区域,然后采用最大类间方差法分割交通标志的内部图案,最后将分割的结果进行大小归一化作为交通标志的特征图像以训练分类器和进行识别。实验结果表明,基于后验概率SVM的交通标志识别系统在复杂的室外环境下具有很强的鲁棒性和可行性。     

基于支持向量机和决策树CART的个人信用评估

为了更好地控制借款人的信用风险,利用支持向量机对个人信用进行预测与分析,在支持向量机对个人信用评估产生缺陷的基础上提出基于代价敏感学的CART决策树预测个人信用的方法.实证分析表明:该方法能够较好地对借款人信用状况进行预测,为互联网金融机构进行相关风险管理提供理论依据.     

个人信用评估中的LOGISTIC模型

通过对以信贷申请书为基础的风险程度进行定量分析，使信贷决策合理化，从而降低个人信用风险，LOGISTIC回归模型提供给我们一个用来评估个人信用的非常有用的工具，本文利用美国花旗银行某分支机构1999年部分客户贷款量数据，应用LOGISTIC回归模型进行了实证分析。     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

个人信用评估的Logistic-RBF组合模型

针对个人信用评估中单一模型存在的不足,提出了利用组合预测模型进行个人信用评估的方法.基于不同单一模型在个人信用评估中所体现的优势,选择具有代表性的Logistic回归和径向基函数神经网络方法,建立了2种单一评估模型,在此基础上构建了基于二者的组合模型.利用某商业银行的数据进行2类模式的分类,应用结果表明,组合模型有效地提高了预测的精确性和模型的稳健性,对于商业银行控制消费信贷风险具有更好的适用性.     

后验概率图与补白模型二次融合的关键词识别

使用全连接神经网络结合Softmax分类器对汉语的408个音节建立音节分类器,利用等长处理后的特征向量训练Softmax分类器,将Softmax分类器输出概率作为后验概率图,与隐马尔科夫补白模型（HMM/Filler）进行第一次融合,得到子后验概率图隐马尔科夫模型（Posteriorgram-HMM）. 针对关键词训练样本较少的问题,将标注样本进行强制切分,得到HMM每个状态上的训练数据. 将隐马尔科夫最大后验概率基线模型（HMM-MAP）与Posteriorgram-HMM进行第二次融合,提出最大后验概率图隐马尔科夫模型（Posteriorgram-HMM-MAP）. 在数据集上训练模型后,使用测试数据对其进行测试. 结果表明：Posteriorgram-HMM-MAP的综合识别率相比Posteriorgram-HMM提升了3.55%,相比HMM/Filler提升了10.29%.     

基于SVM的管网状态估计模型

为建立未知节点压力和可知监测信息之间的管网状态估计模型,应用支持向量机算法,建立基于支持向量机的管网状态估计模型和测压点压力宏观模型.经仿真分析,SVM模型90%以上预测数据的绝对误差控制在0.01MPa;与BP神经网络模型相比,同样的样本集均方误差情况下,其测试集均方误差一般比BP神经网络精度高.杭州市管网的实例计算中,85%以上测压点预测数据的相对误差都在5%以内,结果相当理想.     

基于SVM模型的风电功率预测

为解决因风电机组功率波动产生的调度问题,运用支持向量机法对风电机组功率的输出进行实时预测,结果表明单台机组预测的均方根误差为2.16%,相关系数为77.605 4%,58台机组预测的均方误差为0.7%,相关系数为90.321 4%。说明了风机机组汇聚得越多,机组系统越稳定。最后还探索了进一步提高SVM预测精度的方法。     

在Bayes统计推断中后验概率关于试验构成半群

对Bayes统计推断中，通过试验由先验概率求出后验概率。证明了后验概率关于试验构成半群，从而序贯试验与累积试验具有相同的后验概率。     

神经网络在个人信用组合预测中的应用

该文运用组合预测的思想,提出了通过感知器、BP、Elman和LVQ等不同的具有代表性的神经网络模型,将多元线性回归和logistic回归两单一方法进行组合,并分别应用于某商业银行的个人信用评估,其结果表明:感知器、BP、Elman和LVQ神经网络组合预测方法精确度不尽相同,但总体上能够获得比多元线性回归和logistic回归更高的预测精度,尤其在避免纳伪错误方面更具优势。     

基于组合分类器的信用卡信誉检测方法研究

给出了支持向量机的信誉检测模型和基于决策树的信誉检测模型的建立方法,并在这2种单一分类器的基础上,归纳总结了支持向量机方法和决策树方法对信用卡信誉检测的偏好特性,提出了一种基于偏好特性的组合分类模型建立方法．     

基于概率型支持向量分类机的Q学习

按TD误差标准,把Q学习系统的状态-动作空间粗略地划分为正负2类.为了描述分类的不确定性和避免简单分类导致的学习精度下降问题,利用概率型支持向量分类机(PSVCM)来使得样本的分类同时具有定性的解释和定量的评价.PSVCM的输入为系统的连续状态和离散动作,输出为带有概率值的类别标签.对由PSVCM判定为正类的离散动作按其概率值进行加权求和,即可得到连续动作空间下的Q学习控制策略.小船靠岸问题的仿真结果表明,与基于传统支持向量分类机的Q学习相比,所提方法不仅能够有效解决具有连续状态和连续动作的非线性系统的Q学习控制,而且其控制性能对初始动作的设置不敏感.     

不同电信欠费率下信用评分问题

为提高信用评分的公平性和合理性,研究了电信领域不同欠费率下的初始信用评分问题. 在一种电信客户初始信用评分模型的基础上,分别采用遗传算法和蚁群算法,对不同欠费率的客户群体进行数据挖掘,通过评价函数得到最优信用权重分配方案,并对实验结果进行了分析和比较. 最后,对原信用评分模型进行了改进,解决了原模型在高欠费率情况下算法解不理想问题. 实验结果表明,在采用评分模型进行信用评分时,应针对不同的欠费率群体,可选择不同的信用评分算法. 此外,在建立信用评分模型时,需要考虑不同欠费率的情况.     

个人资产信用评估指标的建立

研究了国内银行及国际上通用的消费者个人信用评估指标体系,针对目前我国的个人信用评估指标中存在的定量变量严重不足的现象,利用定量方法对个人信用资产指标体系进行研究,提出了个人资产信用的概念,并采用财务分析法建立了个人资产信用评估指标。结合个人信用评估中的定性指标,可达到全面地对个人信用进行评估。     

基于模糊粗糙集实例选择的混合算法在信用评分中的应用

基于聚类算法的混合分类器构建的信息评分系统中,不合理的聚类值或者初始类簇中心点会严重影响分类精度的问题,对此,提出了2种基于模糊粗糙集实例选择的新型混合算法.这2种算法仅与数据集的数据结构有关,不受其他外部参数影响.实验结果表明,基于模糊粗糙集实例选择的2种混合算法针对不同结构的数据集表现出了各自的特性,深化了对数据集的理解,提高了准确率.     

基于数据仓库模型技术构建个人征信系统

针对个人征信系统海量数据的存储和应用需要高效能的数据组织结构问题,利用数据仓库的数据建模技术研究了个人征信系统的数据组织结构,设计了系统的数据仓库总体框架.研究认为,个人征信系统组织为3种数据库:基础数据库、CRM数据库和分析集市数据库,采用HOLAP的数据建模技术满足明细数据的存储和多维分析查询的需要.