基于模糊二范数二次曲面支持向量机的信用评分研究

信用评分模型对于金融机构是非常重要的授信决策工具。文章提出了一个包含相同样本类离散度的模糊二范数二次曲面支持向量机模型来做信用评分研究。这个模型通过引入T检验特征加权设计了新的隶属度函数来计算训练点的模糊隶属度。在实证研究中,通过德国和澳大利亚的信贷数据的测验,相对含有高斯核的支持向量机模型、含有高斯核或者二次核的加权二范数支持向量机模型和二次曲面支持向量机模型这些目前先进的信用评分模型,模糊二范数二次曲面支持向量机模型能达到更准确的信用评分预测。

识别输入变量的模糊方法

在已有识别输入变量的模糊方法的基础上,通过分割输入区间提高了模糊曲线的精度,同时提出了一种排除相关输入变量的方法———模糊曲面法Ⅱ和对分组变量识别的一种模糊n维面法.当系统完全是未知时,它不需要用复杂的非线性技术建模,十分方便实用.

基于深度学习的参考作物蒸散量预测模型

为了科学准确预测参考作物蒸腾量(ET0),提高预测精度,减少输入变量的数量,从而降低智能节水灌溉系统的建设成本,采用深度学习和人工神经网络方法分别建立ET0智能预测模型,采用局部敏感性分析、模糊曲线和模糊曲面等方法研究ET0预测中各输入变量对预测结果的影响,以影响因子大小为依据,构建8种不同气象因子输入组合,利用日照气象站的逐日气象资料,对采用不同方法和不同输入变量组合的预测模型进行训练和测试,并以彭曼公式的计算结果作为参考,对预测模型的性能进行评估。结果表明,在以完整变量作为预测输入时,深度学习预测模型R2为0.980,高于人工神经网络模型(0.963),获得了更高的预测精度;而在缺省输入变量的ET0预测中,深度学习预测模型的性能均优于人工神经网络,以平均温度和日照时数作为输入变量的深度学习预测模型R2仍达到0.935,表明在仅有少量气象参数的情况下,深度学习预测模型仍能获得较好的预测结果。综合分析R2、RMSE、RMSRE、MRE、MAPE等结果,若研究区域气候数据有限,采用输入组合分别为(n、T、RH、Tmin、Ws)和(n、T、RH、Ws)的深度学习模型预测,其结果与彭曼公式的计算结果相比,MAPE分别为8.753和8.404,R2均大于0.98,可以作为标准预测模型。