基于神经网络集成的财务舞弊识别方法

为提高财务舞弊识别的精确度及泛化能力,本文以Spss Modeler14.2为平台,利用bagging和Boosting算法构建神经网络集成分类器,建立财务舞弊识别数据流,并对结果进行了分析。结果表明,Boosting算法构建的神经网络集成分类器精确度高,泛化能力强,能更有效的识别财务舞弊。     

基于贝叶斯组合模型的短期交通量预测研究

提出一种新的贝叶斯组合神经网络模型并将其应用于短期交通流量的预测。模型通过实时跟踪模型的预测表现,根据研究提出的分配算法不断调整模型的信用值,从而挑选并组合得到精度更高的预测模型。介绍了该模型的基本原理及在示范路网中的实际应用,通过选取反向传播神经网络和径向基函数神经网络,用以构造贝叶斯组合模型,并在测试数据集中进行了性能比较。计算结果表明：模型的预测性能整体上优于单一的神经网络模型,并且确保了模型预测的稳定性。     

基于模态应变能和神经网络的分步损伤诊断法

神经网络用于损伤识别遇到的最大问题就是训练样本的组合爆炸,单纯利用神经网络进行实际工程结构的损伤诊断有很大困难。丈中提出了一种分步损伤诊断方法,即先用模态应变能判断损伤位置,然后用BP神经网络识别损伤程度,并使用该方法成功地对一座模拟损伤的两跨连续梁桥进行了损伤位置与损伤程度识别。     

上市公司财务舞弊的动因分析与管理策略

上市公司财务舞弊问题是资本市场发展过程中存在的重要问题,必须有效予以解决,保证资本市场的稳定发展。文章阐述了上市公司财务舞弊的常用手段,分析了上市公司财务舞弊的动因,并提出了具体的管理策略,这对促进资本市场的完善与发展具有重要的意义。     

基于车用柴油机不平衡数据集的故障识别组合模型

基于车用柴油机的不平衡数据集,根据对应故障发生频次高与低,将模型建立对象分为样本丰富的大数据量故障与样本集不完备的小数据量故障两种。面向前者,基于XGBoost (Extreme Gradient Boosting)分类算法构建故障识别模型,面向后者,基于模糊神经网络构建故障识别模型,然后针对两类模型进行参数调节以获得最优效果,并分别建立评估机制。模型评估结果表明,该故障识别组合模型能够较为精确、全面地识别大多数故障种类,是一种对数据量要求不高且总识别率超过80%的多适应性识别模型算法,可作为汽车维保工作中的重要工具使用。     

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。     

基于4种典型神经网络识别路面不平度的研究

为识别路面不平度,对4种典型神经网络及其应用选择、输入方案优化和评价指标进行研究,提出4种典型神经网络输入选择和输入组合优化的解决方案。建立了汽车系统振动的4自由度平面模型,通过仿真获得神经网络的输入和输出。采用正交试验设计确定了每种神经网络的32个输入方案,在常用的B级路面和车速60 km/h下得到每种神经网络输入方案的评价指标,通过方差分析选出每种神经网络的最优输入方案和4种典型神经网络中的最优神经网络。研究结果表明,4种典型神经网络中,NARX神经网络是识别路面不平度的最优神经网络,其最优输入方案的相关系数和均方根误差分别为96.75%和0.003 3。     

车用汽油机瞬态空燃比的混沌时序非线性组合辨识模型

为提高汽油机瞬态空燃比的辨识精度,提出了混沌时序非线性组合辨识模型.采用2种单项辨识方法,包括最小二乘支持向量机(LS-SVM)及径向基函数(RBF)前向型神经网络,分别对瞬态空燃比时间序列进行建模与辨识.采用非线性组合方法利用BP神经网络对2种单项辨识方法的结果进行组合辨识,并与Elman神经网络模型及最小二乘辨识模型进行比较.结果表明:混沌时序非线性组合辨识模型的辨识精度优于Elman神经网络模型及最小二乘辨识模型,具有更强的非线性辨识能力,能提高瞬态空燃比的辨识精度,为空燃比反馈控制的成功实行提供了有力依据.     

基于灰色BP神经网络组合模型的基坑变形预测研究

为了使得基坑变形预测在“少样本”“贫信息”的情况下依然能够得出精度较高的结果,在传统的灰色GM(1,1)模型和BP神经网络模型的基础上,进行了灰色BP神经网络组合模型的研究。通过总结2传统模型的原理和算法,归纳各自的优缺点,分析2模型在本质原理上的关系,提出了构建组合模型的方法。利用广州市轨道交通三号线燕塘站的监测数据,对灰色GM(1,1)模型、BP神经网络模型和灰色BP神经网络组合模型分别进行了检验,肯定了组合模型的优越性。     

基于神经网络的企业财务预警系统的构建

文章分析了目前应用于企业财务预警的方法,提出了利用粗糙集对财务指标进行约简,然后构建BP神经网络,用约简后决策表中的财务指标对神经网络进行训练的方法。利用公开披露的上市公司年报中的财务信息和数据建立了财务预警模型。     

基于自编码模型的沥青路面表面横缝识别研究

以上海某高速路段为研究依托,采集相关的沥青路面表面图像,利用卷积神经网络提取图像特征后再通过基于长、短期记忆神经网络的自编码模型对路面图像是否含有表面横缝进行识别,并对模型识别效果进行评价。结果表明,该方法可以快速有效地提取图像特征,在样本不均衡的条件下对表面横缝依然有较好的识别能力。     

高速公路隧道内车辆异常的视频图像识别

隧道作为高速公路上较为特殊的地段,其安全性受到更多重视。文中从高速公路隧道内行车安全管理的角度出发,分析了隧道内影响行车安全的各种异常状态,指出了其中车辆停驶是影响安全最不利的状态。在此基础上着重开展了针对隧道内停车异常的视频图像识别方法研究。为增强车辆识别能力,提出了将图像纹理特征、几何特征和边缘特征进行组合描述车辆特征的方法。以BP神经网络作为基分类器,通过Adaboost算法得到多个BP网络弱分类器组成的强分类器作为车辆识别模型,并对该识别模型的效果开展了实地实验验证。结果表明,本文所提出的模型对停车异常具有良好的识别效果。     

基于RBF神经网络识别路面不平度的研究

针对应用RBF神经网络识别路面不平度的输入选择、输入方案确定和识别效果评价3个问题,提出了一种解决方法。对RBF神经网络和训练过程进行了分析,选择车辆可以测试的车辆响应作为RBF神经网络输入,引入正交试验设计确定RBF 神经网络输入方案,采用相关系数和均方根误差作为RBF神经网络识别效果的评价指标。通过采用车辆和路面不平度系统4自由度平面模型仿真获得车辆响应和前轮路面不平度,应用RBF神经网络对常用路面等级和常用车速行驶下某汽车的前轮路面不平度进行了识别。结果表明,所提出的方法解决了基于RBF神经网络识别路面不平度的3个问题,可以用于其它神经网络识别路面不平度。     

基于RBF神经网络的贷款企业财务评估模型

针对商业银行对贷款企业财务的评估特点,分析了货款企业财务的因素,并由此建立了基于RBF的贷款企业神经网络模型,给出了模型的求解方法,井利用该模型进行了验证计算。结果表明,该模型能较好地对贷款企业进行评估,是商业银行对贷款财务企业进行评估的一种较好方法。     

基于NARX神经网络的路面不平度识别

为应用NARX神经网络识别路面不平度,对NARX神经网络及其训练过程和结构设计进行了分析,采用相关系数和均方根误差作为NARX神经网络识别效果的评价指标。建立了路面不平度滤波白噪声模型和汽车平顺性4自由度平面模型,通过仿真获得路面不平度和车辆响应。以可测试的车辆响应作为NARX神经网络的输入,采用正交试验设计提出确定NARX神经网络输入方案的方法,对在常用等级路面上以常用车速行驶的某汽车的前轮路面不平度进行了识别。结果表明,将可测试的车辆响应作为NARX神经网络输入,结合正交试验设计,解决了NARX神经网络最优输入方案的确定问题。     

基于PCA-RF组合模型的隧道交通事故持续时间预测

使用主成分分析(PCA)和随机森林(RF)组合模型对高速公路隧道交通事故持续时间进行预测.主成分分析用来提高随机森林模型的精度与效率.此外,通过调节2个模型参数,包括决策树数目和最大树深度来提高模型精度和避免模型过拟合.参数优化的结果表明,建模时决策树数目取150、最大树深度取10可降低模型的泛化误差.用以建模的数据包括了山西省的所有高速公路隧道自2012—2017年内的2115起事故数据.每起事故数据包括16个变量,包括隧道类型,事故发生位置类型,事故类型等.结果表明,PCA-RF组合模型的平均绝对误差为12.80 min,误差20 min以内的准确率为89.15%,取得了良好的预测效果.并且,PCA-RF组合模型的精度高于RF模型,说明PCA-RF组合模型能够提高事故持续时间预测的精度.且PCA能够降低数据维度,提高算法的效率.与人工神经网络模型的结果表明,PCA-RF组合模型预测结果精度高且其模型更简单、效率更高.     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

基于神经网络分析的柴油机燃油喷射系统的故障诊断研究

提出了一种便于识别的故障特征信息提取方法，应用神经网络原理，建立柴油机燃油系统故障诊断模型，并通过喷油泵试验台进行了模拟试验验证。     

基于盾构掘进参数的孤石地层识别方法研究

为了在盾构掘进过程中准确识别孤石地层，保证施工安全，运用理论分析与工程数据验证，研究孤石地层识别方法。基于盾构掘进比能，结合主掘进参数，提出修正比能（SM），构建孤石地层SM识别模型及识别矩阵。运用BP神经网络技术，以实测掘进参数作为训练样本，建立孤石地层神经网络识别模型，具有极高的识别精度。利用盾构掘进数据对孤石地层识别方法进行工程验证。研究结果表明： 1) 修正比能法具有较强的容错能力、稳定性及特异性，识别效果优于掘进比能法； 2) 2组实测数据下，神经网络识别结果与识别矩阵的吻合率达到98.3%和98.8%； 3) 以修正比能法为基础，结合神经网络法作为辅助与参考对孤石地层进行双重识别，具有较好的工程实际意义。     

应用灰色神经网络组合模型预测深基坑变形

将GM(1,1)模型与神经网络算法相结合建立灰色神经网络组合模型应用于深基坑工程变形预测。以润扬长江公路大桥深基坑工程的监测数据为例进行预测分析,结果表明:组合模型比GM(1,1)模型有更大的适应性,对于复杂非线性变化的数据预测精度高,可较好地预测深基坑变形。