样本非均衡的在运电力主设备品牌运行效益分析

为解决在运各品牌电力主设备数量不均衡情况下,量化评价各品牌电力主设备运行效益的问题,提出了一种全寿命周期视角下样本非均衡的电力主设备品牌运行效益分析模型。首先,收集国网重庆电力公司在运电力主设备品牌数据,根据预处理后的数据建立了单一设备运行效益分析指标体系,然后对品牌设备进行了分类分层,并提出基于欠采样思想的equipment brand ensemble算法,对不同设备品牌进行运行效益评估。最后,将整个全寿命周期视角下的设备品牌运行效益分析模型应用于国网电力公司实际数据进行了验证。量化分析结果拥有完整数据链,量化评分可追溯,具备实用价值。

基于非均衡样本集的煤矿突水预测模型

针对煤矿突水样本集呈非均衡分布的特点,提出基于集成学习分类的煤矿突水预测模型,重点研究基分类器的构建方法、性能衡量指标和权重分析,以及基于改进型Boosting的集成学习算法.实验结果表明,该算法以牺牲不突水样本的最小误判率为代价,实现突水样本100%的判别准确率,且计算量小,易于实现.

针对非均衡样本的雷达字提取算法

雷达字作为构成雷达短语的基元,其提取效果的好坏将直接影响后续雷达行为辨识的可信度。针对侦收数据不均衡情况下的雷达字提取问题,提出一种基于K-means算法改进的K-OPTICS雷达字提取算法。通过构建虚拟聚类中心和簇合并的方法,使其在各种样本不均衡的仿真场景下仍能取得91.22%以上的提取准确率,较传统算法具有更好的参数不敏感性。

面向非均衡数据类的朴素贝叶斯改进算法

针对朴素贝叶斯分类器存在对非均衡样本分类时,易将少数类样本分到多数类的问题,利用感受性曲线的性质和深度特征加权的思想,提出一种面向非均衡数据类的朴素贝叶斯加权算法(DA-WNB)。为了验证该算法对不平衡数据分类的有效性,实验结果以AUC、真正类率、整体精度为指标,仿真结果表明,该算法能提高少数类分类准确率(最高达60%),且能保持较高的整体精度。

面向非均衡文本信息的企业生产安全氛围智能感知模型

现有企业生产安全氛围的主要描述载体是文本,但文本无法定量描述的特点是企业生产安全氛围分析面临的重要挑战。基于机器学习和自然语言处理技术处理企业生产安全氛围文本信息,着重从安全氛围主题辨识和安全氛围等级预测两方面,综合实现对企业生产安全氛围的智能感知。首先借鉴合成少数类过采样技术(SMOTE)算法思想,提出一种“类SMOTE”算法,用于解决非均衡文本数据问题;然后基于隐含狄利克雷分布(LDA主题模型)实现安全氛围主题辨识,得到文本主题词及相关权重;最后基于机器学习算法实现安全氛围等级预测。经过实例验证,提出的“类SMOTE+LDA+Bayes”组合模型,对于企业生产安全氛围智能感知效果较好。

非均衡样本视域下房地产上市公司财务风险预测分析

文章基于非均衡房地产上市公司样本视角,结合逻辑回归(Logistic Regression)算法对中国房地产上市公司的财务风险进行预测分析。研究结果表明,ADASYN-Logistic Regression模型能够有效解决房地产上市公司的非均衡样本问题,具备较好的预测性能。基于此,文章运用非均衡样本处理方法构建财务风险预测模型,旨在识别存在财务风险的公司,采取预防措施,提升公司竞争力。

基于MKMCC-DSVDD的航空发动机异常检测方法

为解决传统航空发动机异常检测方法准确率和泛化性能较低的问题,提出一种混合核最大相关熵的深度支持向量数据描述(mixed kernel maximum correntropy criterion-deep support vector data description,MKMCC-DSVDD)方法。首先,采用合成少数类过采样技术扩充异常样本规模,提高对非均衡样本的泛化性能;其次,建立基于混合核改进的最大相关熵损失函数,可以在无须数据分布假设的前提下提升准确率;最后,构建基于MKMCC-DSVDD的航空发动机异常检测方法。在航空发动机气路系统和滑油系统异常检测实验中,所提方法平均曲线下的面积(area under curve,AUC)达到98.53%,表明其具有较高的实用性和泛化性能。

基于特征选择和违约鉴别的我国上市公司债券违约预警模型研究

为了更好地挖掘债券违约的关键指标,确定有效的违约预警时间窗,建立对不同违约状态预测精度高且精简实用的债券违约预警模型,采用SMOTE方法对非均衡样本进行处理,并基于XGBoost方法,根据违约预警精度高和指标体系规模小反推违约预警模型,并确定最优预警时间窗。研究结果表明,当违约预警时间窗为t−1期时预测效果较好,即用提前一年的指标数据能更好地预测债券是否违约;采用XGBoost的嵌入式特征选择方法建立违约预警模型,将模型训练与指标体系降维同时完成,计算更简便。通过与其他7个常用违约预测方法的计算结果对比,该模型违约预测精度高、降维效果好、计算速度快、可解释性强。

基于SVM的房贷信用评估的应用研究

信贷风险是金融机构风险主要来源。支持向量机(SVM)在解决两类问题上是一种较好的分类方法,其学习模型有较强的稳定性。对SVM在房贷信用评估应用中的问题进行了研究和解决,如核函数选取,参数选取,样本非均衡问题等。实验得出在实际应用中径向基模型较好,采用Grid-search方法调整参数,能达到更好的推广能力和预测结果,用分别惩罚支持向量机能有效解决样本非均衡问题。试验结果也证明了基于SVM的房贷信用评估方法优于原有的打分方法。

基于非均衡模糊近似支持向量机的P2P网贷借款人信用风险评估及应用

现实中P2P网贷平台可信用户和违约用户的样本分布具有非均衡性,且投资者对分类错误持有不同接受程度.本文通过使用双边权重误差测量方法和映射距离选择正负样本误差项的隶属度,构建了基于非均衡模糊近似支持向量机（DFPSVM）的P2P网贷借款人信用风险评估模型.然后,提出了借款人信用评分及评级方法.最后,借助人人贷平台借款人信用信息进行了实证分析,结果表明所构建的模型与其他模型相比具有更好的适应能力和较高的分类准确度,能有效减少样本非均衡性对分类结果的影响,显著增加负类样本分类的准确率.获得的人人贷平台借款人的信用得分、信用等级及违约率分布能够为平台控制违约风险及投资者决策提供帮助.

两个正态总体均值之差的区间估计解析

文章对两个正态总体均值之差的区间估计进行教学上的解析,尤其针对非均衡样本下方差未知且不相等情形,利用例举对比法说明应如何选择合适的枢轴量。

创业板上市公司财务危机的识别与预警

以我国创业板上市公司为研究对象,针对公司不同财务状况构成的非均衡样本特性,运用Twin-SVM来构建财务危机预警模型。实证结果表明:在Twin-SVM模型的构建过程中,RBF核函数展示出比Linear、Polynomial、Sigmoid、Wavelet核函数更为优异的预测性能;与改进的ODR-ADASYNSVM、BP神经网络、Bayes分类法和K近邻法相比,Twin-SVM不仅在预测精度上高于其他模型,而且在预测稳健性上也显著更为优越,在制造业与信息传输、软件和信息技术服务业两个分行业的泛化性能也显著优越于其余模型。