一种DEFAULT密码算法抵抗差分故障攻击新方法

针对DEFAULT轻量级分组密码算法无法抵抗差分故障攻击的问题,利用横向混淆和线性码提出一种抵抗差分故障攻击的方法。该方法在算法实现冗余部分针对算法结构使用横向混淆(或纵向隐藏)的方式实现,并结合[10,4,6]线性码的1 bit纠错和4 bit检错能力对每个S盒进行防护。研究结果表明,该方法不仅提供了对算法半字节的纠错和所有比特位的检测能力,而且仅需要约25.08%的额外软件实现性能消耗。相较于已有的防护方法,该方法在通用性、故障检测效果及实现代价方面均有明显优势。

基于部分定向相干的帕金森病默认模式网络脑电分析

目的:为了分析帕金森病患者大脑的默认模式网络(default mode network,DMN)潜在变化的原因和其临床特点的关系,以及探讨如何提取其脑电信号特征并对其进行准确有效地分类.方法:选择帕金森病患者和健康对照组各26名被试作为实验对象,将部分定向相干(partial directed coherence,PDC)应用于DMN相关电极的数据序列,获得对照组和帕金森病受试者的有效连接.通过统计分析后,得出6条具有显著差异的PDC连接,对它们进行深入讨论.进一步地,将这些连接值组成特征集并进行分类.结果:与对照组相比,帕金森病患者中有关注意力控制之间的连接降低,在涉及有关工作记忆的连接中,帕金森病相比于健康组患者的一些连接都有不同程度的增加.同时,使用XGBoost算法对特征集进行分类,得到76.5%的平均测试准确率.结论:静息状态下帕金森病患者的非运动症状与DMN网络存在显著性的关系,表现在注意力控制与记忆功能上,这与DMN中BA区的受损有很大的关系.随后对两类受试者的分类也验证了PDC算法用于DMN分析的有效性,为帕金森病人的测试和预防提供了一种新途径.

基于多目标优化加权软投票集成算法的信用债违约预警研究

为了提高信用债违约预测的准确性和稳定性,便于金融风险管理,以2014年1月1日—2021年12月31日的信用债为研究对象,提出一种基于多目标优化的加权软投票集成算法。该算法通过计算每个基分类器的模糊密度来量化其识别能力,并使用多目标粒子群算法来求解基分类器的权重。将所提算法与其他单一分类器如支持向量机、逻辑回归、高斯贝叶斯、MLP,以及其他集成算法如投票类集成算法(voting)和stacking算法进行比较,采用期望PFI算法进行特征重要度分析。结果表明,加权软投票集成算法在信用债违约预测中表现出色,不仅提升了单一算法的性能,且相对于其他集成算法,具有更高的准确性、精确度和AUC值。违约前主体评级、交易所、违约前债项评级、总资产周转率、货币资金、净资产增长率、经营活动现金流量占营收比、GDP、PPI、注册地、短期国债利率、宏观经济景气指数(先行指数)、债券类型和所属行业的特征重要度较高,在信用债违约中值得关注。该研究可为金融风险预测提供一种有效方法,对于投资者和金融机构的风险预警具有重要参考意义。

融合网络结构特征的贷款违约预测研究

信贷违约风险是金融风险的重要组成部分,应用机器学习进行违约预测已成为研究重点。为提升机器学习模型在贷款违约中的预测能力,本文构建了贷款用户的社会网络。通过选取体现关联关系的网络结构特征,并应用DeepWalk算法和Stacking模型,将用户的社会网络拓扑结构信息作为特征加入机器学习模型进行训练。实验结果表明,该模型能够提高预测准确度,较基准模型AUC分别提高了1.38%、1.74%,对金融机构在贷前风险识别及制定信贷决策具有借鉴意义。

网络结构与银行系统性风险

建立了完整的度量银行间违约传染及银行系统性风险的研究框架.在这个框架下,研究了不同银行间网络结构下银行系统性风险.在模型建立过程中,分析了现有研究广泛采用的违约算法中存在的问题并对其进行了修正.为了模拟不同的银行间网络,还提出了一种构造无标度网络的方法.通过仿真模拟,研究发现集中度越高的网络由于传染而倒闭的银行数量越多.但是,当基础违约的银行数量不多时,网络集中度越高,由于传染而倒闭的银行的总资产越少.此外,在集中度高的网络中大银行倒闭引发违约传染的可能性和影响力都会大于集中度低的网络.而小银行引发传染的可能性远低于大银行,但是小银行倒闭达到一定规模时,可以引发大银行传染倒闭.

基于CatBoost算法的P2P违约预测模型应用研究

在互联网金融背景下,智能算法的应用能够为经济领域提供新的思路和方向,有效推动中国互联网金融向“互联网+金融+智能”模式的转变。P2P网络借贷是通过P2P公司搭建的第三方互联网平台进行“个人对个人”的直接信贷。以人人贷平台为研究对象,运用特征工程技术,将CatBoost算法应用于构建P2P违约预测模型,并对违约影响因素进行综合分析。结果表明,CatBoost算法的预测准确率达96%,对实际结果的拟合效果较好,并能够对模型出错所导致的损失成本进行有效控制。此外,综合分析违约影响因素发现,借款人的信用情况对借款人违约行为影响较大,其中还清贷款次数、逾期次数与成功借款次数应作为借款人信用评估的重要参考指标。结合本文的研究成果与中国P2P行业发展状况,本文建议P2P平台积极促进数据分析与测算分析技术的革新与应用,政府及相关部门形成政策法规的同步发展,促成从平台内部到外部环境的合力发展态势。

基于遗传算法KMV模型的公司债券违约风险度量研究

基于遗传算法对KMV模型进行了修正,并运用修正的KMV模型对样本债券在2017-2018期间的违约风险进行度量。结果表明:基于遗传算法改进的KMV模型在预测公司债券违约风险方面有着不错的表现,拟合正确率远高于改进前的原模型;并且公司债券所属行业的不同会影响模型违约点的选择,从而影响KMV模型度量违约风险的效果。

基于SSD算法的航空发动机内部凸台缺陷检测

基于深度学习的背景,提出将目标检测算法用于航空发动机内部凸台缺陷的检测研究。首先介绍了算法的主要特点,通过使用聚类分析方法改进算法产生默认框的生成方式,提高了算法模型对发动机内部凸台缺陷的匹配能力;并采用多种图像处理算法相结合,对目标图像进行预处理来突出凸台缺陷的主要特征,增强了算法模型提取待检测目标的特征信息,从而进一步提高检测算法对于航空发动机凸台缺陷的检测精度。最终检测算法对于凸台缺陷的检测精度达到了95%以上。

基于SMOTE-Logistic回归算法的银行个贷违约预测应用

文章根据Kaggle平台提供的客户贷款数据,进行数据清洗、变量相关性分析、特征缩放等操作,建立Logistic回归模型,并针对样本类别不平衡问题运用SMOTE算法进行过采样,最后以5折交叉验证及AUC为依据对模型性能进行评估。实验结果表明:SMOTE-Logistic回归算法在银行个贷违约预测应用方面有良好表现,且优于KNN算法及随机森林算法。

非均衡数据的债券违约预警研究

将上海交易所和深证交易所发行的30只违约债券和468只未违约债券作为研究样本,将债券是否违约设定为一个二分类问题进行识别分析,针对该问题构建了基于SVM的ADmR-AdaboostSVM分类模型;从企业资本结构、盈利能力、现金流量、偿债能力4个评估因素中筛选16个预警指标,运用ADASYN方法进行过采样合成新样本点,将特征提取mRMR方法引入债券违约领域,得出长期负债率、资本收益率、成本费用利润率以及股权比例这4个变量作为债券违约的最终预警指标,在此基础上运用AdaboostSVM模型进行风险识别。研究结果表明:在建模过程中克服了样本非均衡化问题使得分类精度显著提高,同时通过解决高维数据冗余问题,识别违约债券的准确率进一步提高,反复验证表明该模型具有较强的稳健性和有效性,具有一定的应用价值。

几何缺席推理研究

提出了实体几何缺席推理理论 ,研究了相应的三维实体重构算法 ,并进行了实例验证 .

一种基于缺省规则的推理算法

提出了一种将特定缺省规则转换成描述逻辑Abox实例的推理算法,该算法针对特定缺省规则的改变通常不影响Tbox的情况,将缺省规则映射成为Abox中实例的变化,简化了推理过程,同时保持描述逻辑推理的可判定性,具有较好的可行性,并通过推理实例验证了该算法的有效性.

基于信用风险最优信用投资组合问题研究

信用风险管理是银行业务中不可或缺的部分。通过修改标准Markowitz模型,研究是否发放贷款二进制变量的优化信用投资组合问题。该模型允许在考虑资产可能的相关性及从影响风险指标和投资组合收益的角度决定是否提供贷款的情况下,估计信用投资组合的累积风险和收益率。最后利用提出的模型,基于标准普尔评级机构的统计数据,实现最优投资组合的实证研究。

协变量缺失下基于结构EM算法因果网模型选择

针对NSCOT数据,选用了结构EM算法对模型进行选择。经过具体的计算和分析得到结论,一个人的身体素质和运送到医院的时间都会对患者的生存产生直接的影响,而受伤的严重程度只对患者的生存产生间接的影响。

缺省逻辑的累积性变种的扩张特征

Giordano和Martelli提出了Reiter的缺省逻辑（DL）的两个新变种：CADL（CommitmenttoASSumptionsDefaultLongic）与QDI（Quasi-DefaultLogic），它们都具有累积性，但不再具半单调性，QDL甚至不再承诺预设（Committoassumptions）．本文基于我们已经导出的CDL（Cummula－tiveDefaultLogic）与DL扩张的特征，通过建立CADL扩张与CDL扩张之间以及QDL扩张与DL扩张间的关系，获得了CADL与QDL扩张的新特征．并据此得到相应的主要推理任务的算法及复杂性．

人工神经网络在检测中的应用

针对由传感器所获取的信号经信号处理后在应用中所受的限制,该文讨论了用人工神经网络应用于检测的技术。

基于Stacking算法集成的我国信用债违约预测

通过对2014~2019年我国信用债违约案例的原因分析及相关文献综述,从债券资质、债务主体、财务数据、宏观因素四个维度构建债券违约的指标体系,利用随机森林算法优化,研究发现当影响因素选择18项与37项时,样本内外预测结果达到均衡。基于不同角度的七种算法对比分析,择优选取三种作为底层算法:随机森林算法、梯度提升决策树算法与贝叶斯算法,并结合逻辑回归算法为次级训练算法融合构建基于Stacking算法集成的债券违约预测模型。实证结果表明,第一,Stacking算法的双重集成作用相对底层的单次集成总体精确度提升了1%到8%;第二,对不同指标数量的Stacking算法集成模型的评估表明所构建的指标体系提高了预测水平;第三,基于样本内外预测均衡的底层算法选择方法有效可取,分别纳入相对劣势的底层算法时,会逐渐影响模型稳定性。研究成果可以为我国债券市场风险管理提供技术支持与参考。

电力机房巡检机器人的指针式仪表识别算法

针对目前电力机房巡检机器人仪表识别精度不高的问题,提出了一种新的仪表检测识别方法。该方法分为两个部分,第一部分为仪表检测过程:提出了一种基于相似性度量的目标检测方法。首先,采用Faster RCNN网络生成一系列候选集,然后由高置信度的目标区域建立特征模板,再根据特征相似性对低置信度的目标区域进行判别,最后将筛选结果和特征模板作为检测结果,从而实现对仪表类型的识别与定位。第二部分为指针式仪表读数识别过程:采用自适应Canny算法进行边缘检测,然后采用八领域轮廓跟踪算法串联边缘点获取轮廓,并通过分析轮廓形态,提取指针和刻度线段。最后通过改进的刻度修复算法解决光照下刻度缺省问题,从而建立完备的刻度坐标系,再根据坐标系中的指针与刻度之间的相对位置得到仪表读数。实验结果表明,本算法对于光照条件、拍摄角度、电力机房环境干扰具有较好的鲁棒性,提高了仪表识别的准确性和实时性。

观点句中评价对象/属性的缺省项识别方法研究

在多对象、多属性的评论文本中,评价对象和评价属性的缺省识别对于观点挖掘有着重要的作用。针对情感观点句中评价对象和评价属性的缺省问题,该文提出一种有效的缺省项识别方法。首先构造缺省项识别规则集,用于获取待识别的缺省项侯选集;将缺省项识别问题看作一个二元分类问题,选用词法和依存句法作为特征,使用决策树分类算法C4.5训练分类器模型,在测试集上对待识别的缺省项进行判别。实验结果表明,使用依存句法特征集分类的F值优于词法特征集约2%。将词法和依存句法两类特征融合与单类特征相比,分类精确率和F值分别提高了10%和5%左右,说明词法特征和依存句法特征的融合有利于缺省项识别。

基于机器学习的个人贷款违约预测模型的应用研究

针对贷款违约给商业银行带来的信用风险损失,本文基于Kaggle平台的Loan Defaulter数据集,通过建立机器学习模型预测客户违约情况,以降低信贷风险。本文根据贷款数据类别不平衡和特征维度高的特点,对其进行数据处理以及探索性数据分析,得出与贷款违约高度相关的重要特征,包括性别、家庭人数以及借款人所在城市、住房类型、总收入、所属行业、职业类型、工作年限、受教育程度、消费贷款额度、贷款金额、贷款年金等。在比较各类模型的基础上,本文选择表现较好的随机森林,XGBoost以及K近邻组合为Stacking集成模型。实验表明,与单一算法相比,该模型的集成算法具有更高的精确度和预测效果,其中Stacking模型能够融合其他基础模型的优点,取得最好的预测效果。本文主要创新点有二:一是梳理信用评估模型中集成模型的基本特征,基于不同模型的优势,引入Stacking模型组合建模,融合四组机器学习模型并建立双层学习器,提高了信用风险评估效果;二是基于普惠金融发展,将研究对象具体化为个人信贷,应用场景更加细化,并得出影响贷款违约的重要特征。