量子图神经网络算法在金融风控场景的实践探索

量子计算是量子信息科技中的重要领域,作为一种新兴的计算范式,有望在金融市场、生物医药、人工智能、信息安全等多个应用领域取得突破性进展,成为全球瞩目的新兴战略技术焦点。在政府相关政策的引领下,工商银行履行大行担当,积极研究量子计算金融业场景应用,首次将量子图神经网络算法用于债券风控场景,力求突破经典算力约束及算法瓶颈,探索提升金融数据处理能力和智能运算效率的量子技术解决方案,为金融行业量子机器学习的应用创新提供工行思路。

基于GA-BP神经网络的大型客机气流角估计方法

为了解决硬件冗余难以克服的气流角传感器共因故障问题,进一步提高飞机气流角信号的可靠性,研究了基于GABP神经网络的气流角估计方法。通过BP神经网络融合姿态角、加速度、风速等参数来实现不依赖气流角传感器的气流角估计;引入遗传算法对神经网络权值和阈值进行全局优化,提高估计精度;对某大型客机的试飞数据预处理后用于模型的训练和测试。仿真结果表明,训练完成的GA-BP神经网络模型对气流角的估计值贴近实际值,稳定性和精度明显高于BP神经网络。上述方法给飞机增加一个余度的气流角信号,可用于传感器故障时为飞机提供可靠的气流角信号。

人工神经网络BP算法密集型数据的预处理

针对误差反向传播算法密集型数据输入问题，提出一种数据预处理方法。模拟实验表明，采用这种预处理技术可以极大地改善密集型数据输入时网络的学习效率。

基于人工神经网络算法的自拟清瘟方制备工艺优化探索

目的优选自拟清瘟方制备工艺。方法以料液比(因素A)、提取时间(因素B)、提取次数(因素C)为考察因素,以绿原酸、木犀草苷、靛蓝、靛玉红含量,干膏得率及其综合评分为考察指标,采用L_(9)(3^(4))正交试验法优化制备工艺;再以正交试验中的三因素水平为输入,以6种考察指标为输出,使用多层感知器(MLP)神经网络、反向传播(BP)神经网络、径向基(RBF)神经网络、遗传算法(GA)-BP神经网络进一步优化制备工艺。结果正交试验得出2种最佳方案(A_(2)B_(1)C_(2)和A_(1)B_(1)C_(2)),料液比1∶10或1∶8(g/mL),提取时间30 min,提取次数2次。但不同指标的最佳方案不同。绿原酸为A_(1)B_(1)C_(2),木犀草苷为A_(2)B_(1)C_(2)。预测发现,使用MLP神经网络算法时,平均误差率较大;相较于RBF下神经网络,BP神经网络算法可获得更小的误差和更优的决定系数,但仍无法解决局部最优解的问题。因此,采用GA-BP神经网络算法优化,可使决定系数最大化,误差平方和最小化,最优参数为料液比0.099(g/mL),提取2次,每次29.97 min。结论通过使用优化后的GA-BP神经网络,并结合传统正交试验设计,能准确提高工艺参数的优化程度,解决正交试验易出现局部最优解的难题,并降低数据处理难度。

基于WOA-BP神经网络的岩石可钻性预测

岩石可钻性指岩石抵抗钻凿破碎的能力,准确评价可钻性有利于动态调整钻井参数,是实现高效钻井的关键。利用数据清洗、小波滤波降噪、归一化方法处理数据,通过相关性分析优选模型输入参数。鲸鱼算法优化BP神经网络,构建WOA-BP神经网络模型预测岩石可钻性,对比评价BP模型、GA-BP模型、WOA-BP模型的训练精度和预测精度。结果表明:经优化后的BP神经网络模型避免了传统BP神经网络易陷入局部最优的问题,提高了模型的预测精度和收敛速度;WOA-BP模型的训练精度最高,误差小于10%的数据占比为75.38%,相较于BP模型、GA-BP模型分别提高13.1%和4.86%,预测效果较好。

基于粗集理论预处理数据的神经网络交通事件自动检测算法

提出了一种基于粗集理论预处理数据的神经网络交通事件自动检测算法.首先简单介绍了数据挖掘技术中的粗集理论,然后说明了算法的原理、计算步骤以及所用的神经网络模型,最后为检验算法的有效性,对MATLAB编制的仿真程序的生成试验数据做了较充分的仿真试验.试验测试结果表明了此方法的有效性.

人工神经网络在材料实验数据处理中的应用

将人工神经网络算法作为一种通用的科学实验数据处理方法引进材料科学，实践表明，在一定的范围内，由神经网络算法对实验数据学习获得的规律可以比较良好地满足工程技术上对数据处理的要求。

基于灰色神经网络的汽车动态称重数据处理

针对目前汽车动态称重方法称量精度低和所需数据样本数量大的缺陷,提出了一种新的动态称重数据处理方法,通过GM(1,1)模型对车辆动态称重数据进行预处理,获得每个称重数据的误差补偿量,建立了以车辆速度、加速度、动态称重残差序列为输入变量的灰色神经网络模型,使系统称量误差小于1%,称量准确度等级达到1级指标。研究表明,该方法在动态汽车衡数据处理中的可行性强,实现了在贫信息、少数据情况下对动态称重数据的高精度处理,为汽车动态称重系统精度的进一步提高提供了理论与技术支撑。

基于神经网络集成分类器预处理的支持向量机分类算法

由于支持向量机分类算法对于小样本数据效果不是很好,本文提出了一种基于神经网络集成分类器预处理的支持向量机分类算法。该算法首先通过神经网络集成分类器扩充样本集,然后利用支持向量机分类算法对新样本集合进行学习。由于神经网络集成分类器可以较好地扩充样本集合,所以可以有效地提高支持向量机分类算法训练的精度。在UCI标准数据集上的实验表明,基于神经网络集成分类器预处理的支持向量机分类算法较传统的支持向量机算法具有更高的精度。

神经网络在波谱中的应用：拉曼光谱数据处理

本文深入研究了神经网络在波谱中的应用。考察了神经网络应用于拉曼光谱数据处理的各种条件及性能，包括学习速率常数（ｌｅａｒｎｉｎｇｒａｔｅｐａｒａｍｅｍｒ）β与传递函数（ｔｒａｎｓｆｅｒｆｕｎｃｔｉｏｎ）ｆ（ｘ）的影响，发现采用非线性双曲线正切ｓｉｇｍｏｉｄ函数和较强的学习率β＝０．５时，可获得较佳的神经网络。对原始谱图及处理后谱图进行比较，证实了神经网络能够提高谱线分辨力，修正波谱微小变形及获得良好的信噪比，说明神经网络可在拉曼光谱中获得很好的应用。

基于L-M算法的火电厂实时数据神经网络预测模型研究

提出了一种建立在BP神经网络上的基于Levenberg-Marquardt(简称L-M)算法的火电厂实时数据神经网络预测模型,以减少训练次数和提高训练精度。通过对某电厂300MW机组高压加热器进口温度进行训练和校核,分析了数据预处理的重要性。仿真结果表明,该模型能够获得未来时刻合理的预测结果,可用于缺失数据补充和实时数据校核,提高数据可靠性,适用于在线对未来状态的评价,为状态检修提供参考依据。

神经网络算法在股指预测中的应用

GMDH是一种具有自组织特征的数据处理方法,适用于非线性系统的建模,股指是一种重要的金融数据,具有混沌特性。该文将相空间重构引入了GMDH神经网络的建模中,并将之应用于道琼斯等股指的预测。同BP神经网络方法及一阶局域预测法相比,GMDH获得了更好的预测效果。

云边协同背景下基于融合RF算法的电网数据资产综合处理技术

针对现有大多数方法难以充分挖掘出电网数据潜在价值的问题,提出了一种云边协同背景下基于随机森林算法结合BP神经网络的电网数据资产综合处理技术。该技术在靠近电网数据源一侧部署边缘计算节点,以构建云边协同环境下的电网数字化资产管理系统。利用随机森林算法设计分类器完成电网数据类型的划分,并将各类型数据输入至BP神经网络中进行学习,通过不断地迭代优化输出相应的综合处理结果。基于Python平台进行的实验分析结果表明,所提技术的分类准确率均超过了90%,能够有效提升电网数据资产的处理效率。

基于神经网络的无源多传感器属性数据关联

采用引入动量项、自适应调整步长、Levenberg-Marquardt优化方法对基本的BP神经网络进行改进,以提高学习速度,改进的BP神经网络学习算法用于对无源多传感器获得的雷达辐射源参数进行属性数据关联,能够自适应地调整阈值,即根据训练数据调整关联的门限值,与确定门限的属性关联算法相比,有着很高的关联正确率。

基于遗传算法的神经网络集成方法

针对单一神经网络学习器易出现过拟合现象、网络泛化能力差等问题,提出一种基于遗传算法的神经网络集成方法.该方法通过对数据的预处理,将遗传算法作为集成学习的结合策略,在保证个体学习器分类准确率的同时,充分吸收个体学习器的多样性,利用遗传操作与物种入侵的方式对神经网络集成学习器进行迭代进化,得到具有全局最优的神经网络集成学习器.研究结果表明:使用该神经网络个体学习器集成方法训练出来的集成学习器具有良好的全局性,能够有效的避免网络出现的过拟合现象,提高网络的分类准确率,是一种稳定、泛化能力较强的神经网络集成学习器.

一种基于MapReduce的并行PSO-BP神经网络算法

为了提高BP神经网络算法的分类准确率和运行时间效率,利用PSO算法和并行化设计的思想,提出了Hadoop平台下基于MapReduce的PSO优化BP神经网络的并行化设计及实现方法。利用PSO算法优化BP神经网络的初始权值和阈值,提高算法分类准确率;采用MapReduce并行编程模型实现算法的并行化处理,解决了BP神经网络在处理大规模样本数据集时存在的硬件开销和通信开销大的问题。选用SUN Database场景图像库构造了5个不同规模的数据集,通过与传统的串行PSO-BP神经网络算法实验对比,并行化的PSO-BP神经网络算法分类准确率达92%左右,系统效率在0.85左右,在处理大规模数据集时具有明显的优越性。

仿真假体视觉下神经网络算法的应用研究

尽管已有多种图像处理策略被应用到视觉假体的仿真研究中并提高了被试的识别表现,但在植入电极数量有限的情况下,如何保证盲人获得足够的拓扑信息是视觉假体仍需解决的问题。在此背景下,本文将两种神经网络算法应用到仿真假体视觉中对图像进行前景目标提取和像素化处理,首先利用图像分割数据集训练一个U-net网络得到前景提取后的结果,将其像素化之后与提取前的原图配对,再利用配对后的数据集训练一个Pix2Pix网络从而实现了将彩色图像"翻译"为像素化图像的目标。实验结果表明,与传统图像处理算法相比U-net网络具有更准确的目标提取效果,且经Pix2pix网络"翻译"后的图像也与标签图像更相似,有助于提高假体佩戴者的识别准确率。

基于深度神经网络的异常财务数据识别方法

对财务异常数据的准确识别是保障医疗财务系统正常运转的重要途径。传统的检测方法使用统计学方法进行验证,该方法虽可以直观快速地筛选出异常数据,但是无法处理当前海量的数字化数据。针对上述问题,文中对传统随机森林模型进行修正,加入方差项以增强模型效果。同时,使用深度RNN网络对经过随机森林处理后的数据进行训练。实验结果表明,加入方差项的随机森林模型的F1值相较于其他算法均有2%以上的提升。同时,准确率和召回率也维持在较高的水平,测得的AUC值在对比算法中也是最高的。由此证明,文中所提出的深度神经随机森林模型具有良好的识别性能,同时也可对异常财务数据进行有效的校验。

基于粒子群-神经网络算法的纳米薄膜参数表征

提出了一种利用椭圆偏振测量进行纳米薄膜参数数据处理的混合优化算法。以人工神经网络模型为基础,利用改进粒子群算法选择人工神经网络中的权值和阈值,建立改进粒子群-神经网络(IPSO-NN)算法模型对纳米薄膜参数进行数据处理,以获得更高精度的纳米薄膜参数。利用IPSO-NN算法模型计算标称厚度值为50和997.7 nm的硅上二氧化硅(SiO2/Si)纳米薄膜厚度标准样片的薄膜参数,结果表明:两种尺寸的薄膜厚度计算结果相对误差均小于3%,说明了混合优化算法具有高精度的薄膜厚度和复折射率等薄膜参数的计算能力。同时通过实验证明了IPSO-NN算法模型能有效地优化迭代次数,具有收敛速度快、测量效率高等优势。

BP神经网络算法的改进

在进行Web数据挖掘中,针对具体问题的挖掘算法改进尤为重要,我们很难找到一种万能的算法针对复杂的Web数据进行数据处理和分析,在这个过程中我们往往采用的是针对不同的日志文件进行针对性的算法改进,而众多的改进算法来自我们生活中的缩影,神经网络的数据处理就是其中一种,并且基于BP改进的神经网络算法更加适合Web日志的处理和分析。