基于感知机算法的个人信用贷款评估模型研究

近年来,我国经济发展进入了新时代,经济的增长方式由以投资、出口驱动为主转向以消费拉动为主,导致人们的消费水平逐渐升高。而人民消费水平的增长需要充足资金的支持,因此信用贷款便成为了多数年轻人和大学生筹集资金的首要选择。本文选用机器学习算法的一种——感知机算法对此问题进行研究,将已有的1000条德国信贷数据集和算法结合建立个人信用评估模型来优化信用贷款的审查阶段。本研究模型有预测准确率高且实时性高的优点,有助于简化银行及信贷公司的工作程序,提高信贷发放人员的工作效率,最终提高银行及信贷公司收益。

用感知机学习算法改善MUSIC测向算法的分辨率

文中指出了通过计算机仿真了解到的影响MUSIC测向算法分辨率的一些因素 ,分析了造成MU SIC测向算法计算机仿真的分辨率较低的原因 ,并提出了一种用人工神经网络中的感知机学习算法改善MU

数据挖掘技术在医疗诊断中的应用——感知机模型诊断心脏病

时代在进步,信息、科学技术在快速发展,自从步入大数据时代以来,各个领域的信息量以指数形式增多,人们已不满足于使用传统的统计方法来分析复杂繁多的信息,高效地从大数据中提取出真正有价值的信息是各行各业亟需解决的问题,医疗领域也是如此,机器学习方法应运而生,它是一种极其重要的数据挖掘技术。本研究利用感知机机器学习算法来分析心脏相关数据,最终得出受测人是否有心脏病的判断,该系统既可以使受测人本人能及时判断自己是否具有该疾病,也便于医院医生进行辅助诊断。

自适应的集成定序算法

定序变量常常用来表达人们对事物的态度和偏好,例如在推荐系统中,消费者对商品的打分评价是定序变量,在自然语言处理中,情感分析的情感也是定序变量。目前学术界采用定序Logit模型来处理定序变量,但是定序Logit回归模型要求定序变量大体服从均匀分布,当自变量没能很好符合均匀分布时,定序Logit回归模型预测定序变量的结果并不理想。基于此,文中提出一种自适应的集成定序算法。首先,借助Boosting思想提出了类Boosting算法,根据定序Logit回归模型的思想构造了定序多层感知机模型和定序随机森林模型,这两个模型同Softmax多分类模型和定序Logit模型构成类Boosting算法。在处理数据中,当4个模型产生的预测值不完全相同时,该样本进入类Boosting模型继续进行训练,直到训练轮数超过某个阈值时,停止训练。然后,利用随机森林模型构建训练集的全部预测值到真实值的映射函数。所提算法在定序变量是任意分布时,仍然有较高的预测精度,极大地提升了定序Logit回归模型的适用范围。将所提算法用于白酒质量数据集、红酒质量数据集上对酒的质量进行预测时,其准确率优于定序Logit模型、多分类算法Softmax、多层感知机和KNN。

雷达极化对角加载检测器的最优权重算法

针对复杂海杂波环境下极化SAR图像弱小目标检测难题,最近提出的雷达极化对角加载滤波器融合了极化白化滤波器(PWF)和极化检测优化滤波器(PDOF)的优势,通过选择合适的线性加权系数,能够突破非高斯杂波背景下的目标检测性能限制。但是如何获取该线性组合的最优加权权重是该方法的难点。首先重新构造了基于线性组合的雷达极化对角加载检测器,在此基础上从曲线下面积(AUC)的检测性能评估角度给出了线性组合的最优化数学模型,并提出了基于该准则的最优权重算法。为加快求解速度,分别提出了基于Fisher准则线性判别分析(LDA)、基于口袋感知机学习算法(PPLA)和以LDA解为初值AUC求解算法等三种简化求解方法。最后通过仿真和实测实验验证了以上方法的有效性和鲁棒性,结果表明以LDA解为初值的AUC求解算法综合性能最佳。

基于改进SEIR模型的COVID-19疫情传播建模

针对经典的传染病动力学模型在处理COVID-19时存在的问题,提出一种基于改进的时变SEIR模型的流行病传播模型.首先,在引入潜伏者仓室的基础上,优化模型参数;然后,充分利用多项式回归与多层感知机算法的非线性逼近能力和动态学习优化能力,对模型的时变参数进行拟合;最后,提出基于最优参数的疫情传播建模方案,并将其应用于COVID-19疫情传播建模中.多组实验表明,提出的方法较好地拟合了疫情传播过程,取得了最小的均方根误差,适合对疫情传播进行建模.

迁移学习框架下高心墙堆石坝施工仿真参数IGOA-MLP动态预测模型

施工仿真参数是影响高心墙堆石坝仿真结果准确性的关键。现有方法基于历史数据来预测未来填筑层的仿真参数,忽略了不同层之间的施工差异;同时,在新一层开始时往往存在数据不足或缺失的问题;此外,施工参数受到气象条件、机械运行状态等多因素影响而动态变化。本文利用迁移学习解决了上述问题,该方法具有通过知识迁移解决少样本建模问题的优势,同时考虑气象条件、机械运行状态等多种因素的定量影响,提出迁移学习框架下的高心墙堆石坝施工仿真参数改进蝗虫算法优化的多层感知机动态预测模型。首先,建立综合考虑多因素影响的施工仿真参数IGOA-MLP预测模型;其中,采用非线性缩减因子和柯西-高斯混合变异模式改进蝗虫优化算法(IGOA),并利用IGOA高效全局最优搜索能力来优化多层感知机(MLP)的超参数。其次,引入迁移学习策略,将训练集划分为源域和目标域,并在MLP隐藏层中增加自适应层以表征源域数据与目标域数据的差异性,实现历史工况和新工况间的知识迁移,从而解决新工况下缺少数据的问题。工程实例表明,相比于传统MLP模型以及未使用迁移学习的IGOA-MLP模型,本文所提方法的平均绝对百分比误差(MAPE)分别降低了54.68%、40.57%,证明了本文所提模型能够更准确地预测仿真参数,为仿真计算提供可靠的数据基础。

Cumulative prospect theory-based user equilibrium model with stochastic perception errors

The cumulative prospect theory(CPT) is applied to study travelers' route choice behavior in a degradable transport network. A cumulative prospect theory-based user equilibrium(CPT-UE) model considering stochastic perception error(SPE) within travelers' route choice decision process is developed. The SPE is conditionally dependent on the actual travel time distribution, which is different from the deterministic perception error used in the traditional logit-based stochastic user equilibrium. The CPT-UE model is formulated as a variational inequality problem and solved by a heuristic solution algorithm. Numerical examples are provided to illustrate the application of the proposed model and efficiency of the solution algorithm. The effects of SPE on the reference point determination, cumulative prospect value estimation, route choice decision and network performance evaluation are investigated.