关键词： 信用风险预警   机器学习   随机森林   XGBOOST  

摘要： 信用风险是中国金融市场中最值得重视的风险之一,有效地分析和预测信用风险事件对于维护金融市场稳定性有着重大意义。除了传统的信用债违约事件,许多上市公司爆发的流动性风险事件,也成为了公司信用风险事件的重要组成部分。本文基于A股上市公司的财务数据,结合债券违约事件,进行信用风险事件的界定和量化分析。通过不同维度的财务因子提取、因子相关性和离散化分析,梳理出有效因子,刻画公司真实的财务状况。并从因子贡献度出发,挖掘导致公司信用风险的诱因,分析挑选出影响信用风险事件的财务指标。最后结合机器学习模型,对上市公司信用风险事件进行了预警。本文以集成模型为研究核心,运用了 SMOTEENN等模型进行样本均衡化,有效的提升了模型拟合效果。同时,对比逻辑回归、SVM,本文采用随机森林、XGBOOST和其他传统机器学习集成模型,构建适用性强、运行效率高的信用风险预警模型,取得了较为优异的预测效果。

关键词： 特征选择   小样本   分类器   高维度样本  

摘要： 随着人工智能在医疗行业的快速发展,临床诊疗跨入智能时代。随着医疗数据的不断产生,怎样获取对医学有贡献的信息成为智慧医疗的新方向。在此方向中,特征选择是最为重要的方法,它可以根据数据初始特征集的分布,构建相应的特征选择模型,利用选择后的特征子集,实现分类。特征选择方法和分类算法通常建立在样本均衡且数量足够的前提下。医学数据集中完整的样本获取难度大,样本量少,特征维度高,属于小样本数据集;而且医学数据集的特征间关系很难界定,数量不仅多,且彼此之间可能存在某种关系。由于高维度的特征空间对算法的应用影响大,可能还包含多种冗余信息,影响分类算法的判断。因此,面对样本不足且维度很高的医疗数据时,常规特征子集的筛选方法难以为分类算法提供有效训练,分类算法准确率不高。目前,特征选择和机器学习算法如何应用于高维度小样本医学数据集是研究的难点。针对上述问题,本论文开展非平衡学习研究,改进特征选择算法,选择出最优特征子集以辅助临床医疗,构建分类模型,提升对高维度小样本数据的分类识别有效性。主要工作如下:1.针对特征选择的权重设置问题,采用了基于Relief F和LASSO的秩和检验算法(Wilcoxon-Relief F-LASSO,WRL)。该算法通过特征选择算法,生成特征重要性评分并进行特征重要性的排序;解决了特征选择中权重设置问题。与传统的Relief F算法和LASSO算法相比,WRL重点提升了特征选择算法的有效性和分类识别性能。本文将该算法应用于结直肠癌医学数据集,建立临床医疗模型,并对结果进行了验证。实验结果显示,该算法的特征选择结果和分类准确率等指标,均优于Reilief F、LASSO、MRMR算法。2.针对特征选择之间的相关性,采用了基于WRL和最大信息系数的特征选择算法(WRL-MIC-CFS,WMCFS)。该算法通过考虑特征之间的相关性,遍历所有特征子集选出最优解,解决了传统特征选择算法中在提取优质特征子集的同时,容易陷入局部最优解的问题,提高了特征选择的有效性。本文将该算法应用于结直肠癌医学数据集,建立结直肠癌分类预测模型。实验结果显示,该算法的分类正确率、方差、抗过拟合、准确率和召回率等指标,均优于WRL、WCFS(WRL-CFS)、MRMR等特征选择方法。本文为临床诊断提供有效的解决方案,改善了现有的特征选择方法,使其更好的应用于高维度小样本数据,补充了机器学习相关算法在实际医疗辅助诊断的处理方案,探究了诱发癌症发生的可疑蛋白表达,为当前医疗决策与临床研究提供了科学方法。通过对高维度小样本的真实医学数据检测,验证本研究的可行性。

关键词： 轻度认知障碍   早期阿尔茨海默病   大脑灰质   基于体素的形态学测量   卷积神经网络   深度学习  

摘要： 目的使用基于体素形态学测量(VBM)方法分析轻度认知障碍(MCI)大脑灰质萎缩改变,并通过基于卷积神经网络(CNN)的深度学习方法利用大脑灰质改变对早期阿尔茨海默病(AD)进行识别。方法收集汕头大学医学院第二附属医院17名MCI受试者及13名正常认知受试者,均进行3T结构磁共振成像(MRI)扫描。另外,从阿尔茨海默病神经成像倡议(ADNI)数据库选择相同参数结构磁共振扫描的60名正常认知受试者和94名MCI受试者,使用统计参数图(SPM8)软件对得到的结构MRI数据进行VBM方法分析,包括提取大脑灰质并进行统计学差异分析,以及MCI大脑灰质与临床认知量表分数的相关性分析,然后通过基于CNN的深度学习方法,以ADNI数据库选择的受试者作为训练集,本院收集的30名受试者为测试集,对大脑灰质图像进行提取特征和学习。结果通过VBM方法分析,与正常认知受试者相比,MCI受试者的左侧海马旁回、左侧中央后回、左侧顶上回以及双侧额颞叶灰质萎缩(p<0.0001);MCI受试者的大脑区域中左侧海马旁回、左侧额下回、左侧顶下缘角回、右侧壳核以及双侧颞叶灰质表现为与MMSE分数下降呈显著相关性(p<0.01)。通过基于CNN的深度学习方法识别MCI受试者的准确度、灵敏度、特异度分别为80.9%、88.9%、75%,受试者操作特征曲线下面积(AUC)为0.891。结论VBM方法提示早期AD中灰质萎缩主要集中在内嗅皮层区域和额颞叶皮质,可能是记忆和认知障碍的大脑结构基础,并通过基于CNN的深度学习方法利用大脑灰质改变识别早期AD有良好的效果,为临床诊断早期AD提供潜在的辅助工具。

关键词： 异质人脸识别   近红外-可见光人脸识别   素描-照片人脸识别   3D-2D人脸识别   对抗学习   度量学习   特征解耦   室外无约束场景  

摘要： 人脸识别作为人工智能的典型应用之一,具有重要的实用价值和研究意义。近年来,基于深度卷积神经网络的人脸识别技术取得了突飞猛进的发展,但主要集中于二维可见光人脸识别的研究,在真实无约束场景中仍然面临许多挑战和难题。随着人脸识别应用的推广和传感器技术的发展,异质人脸识别需求应势而生且日益增大。但异质人脸图像间显著的外观变化,使现有人脸识别系统面临识别精度大幅下降的问题。本文对异质人脸识别问题及其解决方案进行了分析,并从基于特征表示学习、基于子空间学习和基于混合学习三个方向出发,对异质人脸图像的域不变本质特征学习方法进行了深入研究。此外,还构建了一个室外无约束场景的3D-2D人脸识别数据库。本文主要工作和贡献包括:1.针对缺乏方法研究框架模型的问题,提出了一种异质人脸识别框架模型。缺乏明确的异质人脸识别方法研究框架模型,容易导致对各方法的研究动机、不同方法之间的关联以及对不同方法的归类总结不够直观,甚至出现混淆的问题。针对该问题,本文进行初步探索并建立了一种异质人脸识别框架模型。该模型有助于对现有异质人脸识别方法的理解和归类总结,还为后续方法研究提供了理论支撑和研究思路,具有一定的指导性意义和作用。2.针对跨域差异的度量和消除难题,提出了一种基于对抗的域不变特征学习方法DIDF。显著的跨域差异是异质人脸识别研究需要重点攻克的问题。对此,本文从基于特征表示学习的研究方向出发,对异质人脸识别框架模型中的特征提取过程进行重点研究,提出了一种基于对抗的域不变特征学习方法。在一个端到端的网络中同时优化基于对抗学习的域自适应对齐和基于四元组度量学习的类对齐,以消除分布差异、减小类内变化且增大类间可分离性。在CASIA NIR-VIS 2.0、Oulu-CASIA NIR&VIS、BUAA-Vis Nir和IIIT-D Viewed Sketch四个异质人脸识别基准数据库上的实验表明,该方法不仅有助于解决分布差异的度量和消除问题,还提高了人脸特征的域不变性和类(即身份)鉴别性。3.针对跨域差异等所有身份无关因素对人脸识别造成影响的问题,提出了一种注意力引导的特征解耦方法AgFD。除跨域差异外,其他外界因素,如姿态、年龄等变化,也会对人脸识别的结果造成影响。针对该问题,本文从基于子空间学习的研究方向出发,对异质人脸识别框架模型中的特征匹配过程进行重点研究,提出了一种注意力引导的特征解耦方法。采用分层互补的方式自适应地将人脸面部表征解耦为身份特征和身份无关特征(具体包括模态信息以及其他所有身份无关信息),同时还通过基于互信息的对抗去相关学习和基于总体相关信息的对抗去相关学习,提高身份特征对模态等所有身份无关因素变化的鲁棒性以及对身份特征自身局部维度变化的鲁棒性。实验结果表明,提出的方法在多个异质人脸识别基准数据库上的识别性能都表现出一定的优势。4.实现了基于DIDF和AgFD的3D-2D人脸识别方法,在公开库上的识别性能都超过了现有方法。同时,针对真实室外无约束场景3D-2D数据缺乏和识别难题,构建了一个人脸识别数据库WS3D-2D,还提出了一种改进的基于特征解耦的方法FD-3D2D。首先,本文从基于混合学习的研究方向出发,对异质人脸识别框架模型中的多个处理过程进行研究,分别实现了基于DIDF和AgFD的3D-2D人脸识别方法,在公开数据库FRGC V2.0上的识别性能都超过了现有方法。其次,针对目前3D-2D人脸识别数据缺乏且大多采集于实验室受控环境的问题,构建了一个真实室外无约束场景下的3D-2D人脸识别数据库WS3D-2D。该数据库包含受试者对象的高精度全脸三维模型和室外无约束场景下的二维监控图像,与实际应用中的数据非常逼近,因此具有重要的研究意义和实用价值。此外,针对室外无约束场景下的3D-2D人脸识别难题,通过对AgFD方法中的四元组采样策略进行改进以及引入明确的姿态解耦约束,提出了一种改进的3D-2D人脸识别方法FD-3D2D。实验结果表明,该方法有助于减小训练数据噪声带来的影响以及克服二维监控图像的大姿态变化等人脸识别难题。基于本研究工作开发的3D-2D人脸识别系统在多个实际现场取得的成功示范应用,证明了本研究工作的意义和价值。上述工作虽然是针对异质人脸识别的研究和探索,但其理论和研究方法具有一定的通用性和可扩展性,对其他领域,如跨年龄人脸识别、跨姿态人脸识别、行人重识别等,依然具有一定的参考意义和指导作用。

关键词： 学习方法   教学策略   数学  

摘要： 文章通过对北师大数学课本的再认识,结合教学经验和学生的学习情况,归纳总结学生如何学的方法和教师如何教的策略,达到更有效的教与学。

关键词： 马克思主义中国化   理论创新   十九届六中全会   决议  

摘要： 理论创新是中国共产党前进的力量源泉,同时也是党始终保持的优良传统。党的十九届六中全会在科学总结此前经验的基础上全方位把握时势,坚持把马克思主义基本原理同中国具体实际和中华优秀传统文化相结合,提出"十个坚持""十个明确"等最新概括,不断推进马克思主义中国化,以创新理论引领实践。学习和掌握新时代党的创新理论对促进中国现代化发展具有重大历史意义。

关键词： 动态网络   属性网络   网络表示学习   复杂网络分析  

摘要： 网络表示学习旨在学习一种映射关系,可以将网络中的所有节点映射为低维的向量表示,从而提取到节点的特征并进行网络分析。近几年,越来越多的网络表示学习方法涌现出来,已有的方法大多数只是面向静态网络进行研究,然而,在真实网络中,网络的结构及属性通常是随时间而不断变化的。因此,如何利用网络动态变化的拓扑结构以及属性信息挖掘复杂网络随时间变化的特性,对动态网络中的节点进行表示学习,以保证所学节点表示能够刻画网络动态变化的规律,并能够利用所学得的节点表示进行动态网络分析任务,是一个具有前景的研究课题。动态网络表示学习的研究主要有以下两个挑战。一方面,动态网络中可能存在异常连边,如果根据含有异常连边的信息进行网络表示学习,那么学得的表示不能有效刻画网络真实信息。并且异常边的标签稀少,不能利用标签进行有监督学习,如何在标签稀少情况下学习到鲁棒的节点表示并能够检测出网络的异常,是动态网络研究的重要问题。另一方面,大多数动态网络研究都是通过将其划分成多个静态网络图来实现,这样忽略了网络中连续变化的时序信息,导致动态网络中的信息丢失。针对上述问题,本文提出了两个工作。首先,基于深度学习提出了一个针对异常边检测的动态网络表示学习方法(Dynamic Network Embedding for Anomaly Detection,DNEA)。复杂网络普遍具有社区结构,且网络中的异常边更可能偏离于网络真实的社区划分,所以通过已观测到的拓扑结构来分析网络的社区结构是十分必要的。DNEA通过研究节点与邻居的联系,来挖掘动态网络的社区结构,依据块划分的结果可以对网络进行重构。本研究将边的重构能力作为其异常分数,来验证边的异常与否。为了解决标签稀少的问题,模型利用了负采样的方法,能够进行端到端的训练,从而学得动态网络中节点的鲁棒的表示。最后通过在三个真实的动态网络数据集上进行异常边检测任务来验证模型的可行性。然后,本文又提出了一个新颖的动态属性网络表示学习方法(Node Embedding over Dynamic Attributed Network,Dyn ANE)。本研究结合了动态网络中的结构信息和属性信息来分别捕捉网络的连续时间变化和离散时间变化。在挖掘连续时间变化时,模型考虑了节点互动的时间戳信息,并且认为距离当前时刻越近的节点互动对节点表示的影响程度更高,在挖掘离散时间变化时,模型通过神经网络对社区结构进行捕捉。研究将两种变化所挖掘到的邻居结构和社区结构融入到节点表示中,使得学得的表示蕴含了网络动态变化的规律。最后通过链接预测任务来与其它对比算法比较,证明了本文提出模型的优越性。

摘要： 党的十九届六中全会审议通过的《中共中央关于党的百年奋斗重大成就和历史经验的决议》(以下简称《决议》),在全面回顾总结党的百年奋斗历程和重大成就的基础上,以更宏阔的视角,总结了党百年奋斗的历史意义,即党的百年奋斗从根本上改变了中国人民的前途命运、开辟了实现中华民族伟大复兴的正确道路、展示了马克思主义的强大生命力、深刻影响了世界历史进程、

关键词： 化学反应   速率常数   机器学习   神经网络   烷烃  

摘要： 烷烃是化石燃料的重要成分,了解它们的化学反应动力学对于开发可靠的化学动力学模型和发动机设计至关重要。而反应速率常数是化学反应的基本量,在模拟燃烧反应网络中起着重要作用。如果反应物的结构相似,则同类化学反应通常具有相同的机理。基于这一前提,我们尝试利用神经网络模型来预测烷烃一类反应的速率常数。本文采用机器学习方法构建了三类烷烃基元反应的温度相关反应速率常数模型,包括C_nH2n+2+H→C_nH2n+1+H2,C_nH2n+2+O→C_nH2n+1+OH 以及 C_nH2n+2+OH→C_nH2n+1+H2O反应,获得了这三类反应的速率常数预测值。结果表明,在本工作中构建的神经网络模型在预测速率常数方面具有较好的稳定性,且大部分结果均优于过渡态理论。本文共包含6章,主要内容如下:第1章介绍了本文的研究背景以及国内外研究现状。第2章介绍了本文研究使用的理论方法,包括描述符的计算,神经网络的构建。第3章研究了利用机器学习预测烷烃与氢原子反应的速率常数。利用8个烷烃与氢原子反应的反应速率常数训练了神经网络模型。结果表明,该神经网络模型能较好地表示速率常数。为了测试预测能力,对于每个反应,将其余（n-1）组反应数据作为训练集训练神经网络来预测此反应速率常数。大部分预测结果都优于过渡态理论。第4章研究了预测烷烃与氧原子反应的速率常数。利用11个烷烃与氧原子反应的反应速率常数,建立了神经网络模型,通过其余（n-1）组数据预测了 1 1组反应的速率常数,并且提出了 5种方案优化模型的预测结果,提高了模型预测的准确性。第5章研究了预测烷烃与羟基自由基反应的速率常数。通过训练11个反应的速率常数,建立了多层神经网络模型,设计了 5种方案以提高预测精度。此外,本工作还预测了 12个碳以下烷烃共664种同分异构体不同位点与羟基自由基反应的速率常数。结果表明,本文所提出的神经网络模型在预测特定位点和总包速率常数方面具有较好的鲁棒性。第6章总结全文并对未来工作进行了展望。

关键词： 城市更新   潜力评价   动态指标   深度学习   深圳市  

摘要： 随着我国城市化进程的快速发展和深入推进,我国城市出现了土地利用效率低下、用途不合理、后备土地资源储备不足等问题,并且导致城市发展对土地资源的依赖程度愈发严重。与此同时,国家为了保护生态文明建设,规划了国土空间“三条红线”。因此,在严控新增建设用地规模的背景之下,为了缓解城市发展与土地之间的矛盾,必须将城市发展模式由“增量扩张”型向“存量挖潜”型转变。而城市更新作为存量建设用地再开发的重要举措,能够提高城市土地利用效率,缓解城市用地紧张局势,对城市发展具有重要意义。但是由于社会资源的有限性,并不能对所有地块同时进行改造,所以需要对地块的改造潜力进行综合评价,合理安排改造时序。 目前在城市更新改造潜力评价中,由于评价指标数据来源于某一时刻或某一时间区间内,使得评价指标只能表达该时刻的静态信息。然而城市更新地块单元的指标信息在不同时间阶段表现出不一样的动态特征,所以用静态指标表达动态信息会存在偏差。针对这一问题,本研究根据深圳市城市更新改造的实际情况,利用出租车轨迹数据、腾讯人口大数据和百度POI等开放数据作为动态评价指标的数据源。通过引入出租车轨迹数据来刻画地块单元在不同时期的动态交通可达性特征,建立了一套含有动态信息的评价指标体系,并基于深度学习Keras框架构建了综合潜力评价模型,对评价结果进行改造优先度分级。最终,利用土地管理部门所公布的城市更新改造项目对评价结果进行了验证。本研究的主要结论如下: (1)本研究构建了一套含有动态交通可达性指标的城市更新改造潜力评价指标体系。通过引入动态交通可达性评价指标真实客观反映了地块单元在不同时间段的交通可达性特征,为城市更新改造精细化评价提供了重要动态交通信息。 (2)本研究在地块单元研究尺度上,综合考虑了环境因素、经济因素和社会因素,对深圳市城市更新改造潜力进行综合评价。依据模型的评价结果,将深圳市地块单元改造潜力分为I(非常低)、II(低)、III(中等)、IV(高)、V(非常高)五个等级,方便整体上对深圳市的城市更新进行指导。 (3)通过比较两类评价指标体系的评价结果,引入动态交通可达性评价指标能够有效提升高潜力地块的评估精度。在工业、商业和居住用地验证结果中,IV、V级地块单元的精度分别提高了37.49%、16.21%、18.34%。此外,在7个实际城市更新改造项目中,带有动态交通可达性评价指标体系对工业用地影响明显,对城中村居住用地的影响大于其它旧居住小区,而对商业用地影响最小。 (4)以深圳市进行实例研究,发现与不带动态交通可达性评价指标相比,带动态交通可达性评价指标体系能更加科学合理的对城市更新进行指导,为土地管理部门提供辅助决策依据。