【摘 要】
：
集成重采样技术可以在一定程度上解决财务预警研究中样本的不平衡性难题，不同的集成模型与不同的集成重采样技术有不同的适配性。研究发现，Up-Down集成采样与Tomek-Smote集成采样分别适配于Bagging-vote集成模型和Stacking融合模型。基于此，本文构建SBV(Stacking-Bagging-Vote)多源信息融合模型，将基于Up-Down集成采样的Bagging-vote模型与
论文部分内容阅读
集成重采样技术可以在一定程度上解决财务预警研究中样本的不平衡性难题，不同的集成模型与不同的集成重采样技术有不同的适配性。研究发现，Up-Down集成采样与Tomek-Smote集成采样分别适配于Bagging-vote集成模型和Stacking融合模型。基于此，本文构建SBV(Stacking-Bagging-Vote)多源信息融合模型，将基于Up-Down集成采样的Bagging-vote模型与基于Tomek-Smote采样的Stacking模型进行融合，并加入股票的交易数据，对该数据用卡尔曼滤波
其他文献
针对目前鲜有学者采用重力多尺度分析方法来研究月球危海盆地内部结构的问题，该文采用小波多尺度分析技术对月球危海地区重力异常数据进行分解得到不同尺度下的小波逼近和小波细节，进一步利用功率谱估计方法确定了不同尺度小波细节的场源埋深，反演了不同深度处密度分布。计算结果表明，危海盆地是一个典型的“质量瘤”地区，其中心位置大概是58.7°E，16.7°N，深度范围为32.7 ～64 km，呈现出上面小、下面大
结合运营商某地市分公司的城域网云化试点情况，对试验网的架构、部署、业务实现和运维模式等方面进行分析，阐述试点的价值和挑战。基于实践案例提出城域网架构Fabric化演进、网络即服务的运维能力及以应用为中心的网络发展的见解，为运营商助力行业数字化转型提供参考。
贝叶斯网络能够表示不确定知识并进行推理计算表达，但由于实际样本数据存在噪声和大小限制以及网络结构解空间搜索的复杂性，贝叶斯网络结构学习始终会存在一定的误差。为了提高贝叶斯网络结构学习的精度，提出了以最大频繁项集和关联规则分析结果为先验知识的贝叶斯网络结构学习算法BNSL-FIM。首先对最大频繁项集进行结构学习并使用关联规则分析结果对其进行校正，从而确定基于频繁项挖掘和关联规则分析的先验知识；再提出
现实中推荐系统通常遭受着各种各样的偏置问题，例如曝光偏置、位置偏置和选择偏置等。一个忽略偏置问题的推荐模型不能反映系统的真实性能，且对于用户而言可能是不可信任的。先前的工作已经表明基于倾向得分估计的推荐模型能够有效缓解隐式反馈数据的曝光偏置，但是通常只考虑通过物品信息来估计倾向得分，这可能导致倾向得分估计不准确的问题。为了提高倾向得分估计的准确性，提出配对倾向得分估计（MPE）方法。具体而言，该方
针对卫星影像上车辆的漏检问题，该文对深度学习YOLOv3模型进行了网络改进，并用于高分二号卫星影像车辆检测。该方法通过减少原特征提取网络darknet-53的层数来降低网络复杂度，并在原YOLOv3模型3个尺度的基础上进行了尺度扩充以提高对小目标的检测能力。实验结果表明，改进后的YOLOv3模型较好地克服了多数深度学习算法不擅长检测小目标的短板，不仅检测结果比原算法更为精确，而且训练和检测速度也更
约束多目标进化算法在求解不可行域较大优化问题时对不可行域的合理探索不仅有助于种群快速收敛于可行区域内的最优解，还能减少无潜力不可行域对算法性能的影响。基于此，提出一种基于空间收缩技术的约束多目标进化算法(CMOEA-SST)。首先，利用自适应精英保留策略对PPS算法Pull阶段初始种群进行改进，增加Pull阶段初始种群的多样性和可行性；其次，在进化过程中采用空间收缩技术逐渐缩小搜索空间，减少无潜力
由于传统湿度传感器在恶劣环境下测量湿度的准确性和稳定性易受影响，提出一种利用光学游标效应增敏的光纤湿度传感器，通过在单模光纤的尾端依次熔接一小段空芯毛细管和单模光纤，获得2个级联的光学法布里-珀罗干涉仪，调整腔长使二者干涉谱的自由光谱范围接近，从而通过光学游标效应获取更高的湿度灵敏度，对湿度的感应由涂覆在光纤传感头端面的聚乙烯醇凝胶薄膜实现。实验结果表明：在相对湿度变化范围为40%～65%RH时，
亚洲飞蝗Locusta migratoria migratoria是新疆、中国与哈萨克斯坦边境区域重要害虫之一，具迁飞性且繁殖能力强，对农牧业经济造成巨大伤害。本文以亚洲飞蝗为研究对象，根据其发生区和相关生物学特性，利用CLIMEX 4.0.2和ArcGIS 10.2相结合，预测其在新疆和中哈边境区域亚洲飞蝗的潜在地理分布。亚洲飞蝗的适生区在新疆境内集中分布在北疆（42.69°～48.29°N），
针对页岩气储层数据获取困难、标签稀缺、标注成本高昂的问题，提出一种多标准主动查询的多标签学习算法（MAMO）。首先，考虑样本的信息性，代表性，对样本进行初步处理。其次，加入样本丰富性约束，包括属性差异性和标签丰富性，选择有价值的样本进行查询标签。最后，利用多标签学习算法，预测剩余样本的标签。通过11个Yahoo数据集实验，证明了MAMO算法的优越性。运用4个真实页岩气测井数据集进行实验。与多标签学
针对复杂海洋环境下水面舰艇航路规划时出现的大地图寻路速度慢、航路安全性差、航路不平滑等难题，本文结合电子海图提出了一种改进A*算法的航路规划方法。首先，提出一种自适应的改进启发函数，在搜索节点时加入目标节点的方位信息，加快了A*算法搜索路径的速度；其次，加入迫使航路远离障碍物的安全距离，解决了传统A*算法沿障碍物边缘寻路导致航路安全性差的问题；最后，对原始航路进行二次优化，在对原始路径提取转折点后