文章提出了一種基于粒子群優(yōu)化算法與核極限學(xué)習(xí)機(jī)的企業(yè)財務(wù)危機(jī)預(yù)測方法�？紤]到在分類預(yù)測的過程中參數(shù)優(yōu)化與特征選擇之間的相互影響,利用粒子群優(yōu)化算法優(yōu)化核極限學(xué)習(xí)機(jī)參數(shù)的同時進(jìn)行特征選擇,從而優(yōu)化出最優(yōu)的核極限學(xué)習(xí)機(jī)模型并得到具有代表性的特征子集;最后,使用所提出的最優(yōu)的核極限學(xué)習(xí)機(jī)模型對新數(shù)據(jù)集進(jìn)行訓(xùn)練和預(yù)測。實驗表明,與其他預(yù)測模型進(jìn)行對比實驗,該方法具有更好的性能,方法可行有效且實用。 

【文章來源】：統(tǒng)計與決策. 2019,35(09)北大核心CSSCI

【文章頁數(shù)】：5 頁

【部分圖文】：

看出，改進(jìn)的PSO-KELM財務(wù)危機(jī)預(yù)測模型的整個過程主要包括兩部分：

約?D的特征編碼；隨機(jī)生成種群；初始化迭代次數(shù)等參數(shù)利用5-CV訓(xùn)練當(dāng)前KEML分類器計算適應(yīng)度值迭代次數(shù)加1利用PSO更新粒子前兩維C、γ的x和v同時利用離散的二進(jìn)制PSO更新粒子其他維對應(yīng)的特征的x和v用上步選中的特征，利用5-CV訓(xùn)練當(dāng)前C、γ對應(yīng)的KEML分類器根據(jù)目標(biāo)函數(shù)計算適應(yīng)度值更新個體最優(yōu)適度值pbest和相應(yīng)位置pfit是否達(dá)到種群大小yes更新全局最優(yōu)適應(yīng)度值gbest和相應(yīng)位置gfityes是否達(dá)到最大迭代次數(shù)最優(yōu)參數(shù)C、γyes最優(yōu)特征子集內(nèi)部循環(huán)，同步進(jìn)行參數(shù)優(yōu)化與特征選擇，采用5-CV的優(yōu)化準(zhǔn)則企業(yè)財務(wù)數(shù)據(jù)D將D分成10個子集，分別為D1,D2…D10;K=0;i=0；初始化參數(shù)k++；i++；取Di為測試集，其余9個子集為訓(xùn)練集帶有最優(yōu)特征子集的訓(xùn)練集帶有最優(yōu)特征子集的測試集Di利用最佳KEML對帶有最優(yōu)特征集的測試集進(jìn)行預(yù)測在9個帶有最優(yōu)特征的訓(xùn)練集上訓(xùn)練最佳C、γ對應(yīng)的KEMLK=10?Yes10-KV得出的ACC外部循環(huán)，利用內(nèi)循環(huán)獲得的最優(yōu)參數(shù)和特征，采用10-CV對分類性能進(jìn)行評估NO圖2PSO-KELM模型的算法流程69

的分類性能。表5三種模型的各個分類性能的雙尾t檢驗結(jié)果t檢驗p值PSO-KELM帶特征選擇vs.PSO-KELM不帶特征選擇TypeIerror0.041TypeIIerror0.019ACC0.007PSO-KELM帶特征選擇vs.GA-KELMTypeIerror0.150TypeIIerror0.471ACC0.082選擇的特征數(shù)0.012為了體現(xiàn)提出的PSO-KELM模型的收斂效果，可觀察模型的演化過程。0.860.850.840.830.820.810.80.790.780.770.76050100150200250迭代次數(shù)分類準(zhǔn)確率圖3在某1折數(shù)據(jù)上訓(xùn)練階段最好的適應(yīng)度圖3顯示了數(shù)據(jù)在10折交叉驗證中某1折上最好的適應(yīng)度值即PSO的全局最優(yōu)值的演化曲線。記錄每一次迭代通過比較訓(xùn)練集中最佳pbest，通過該演化過程可以看出：新的PSO-KELM模型進(jìn)行訓(xùn)練時，目標(biāo)函數(shù)曲線的適度值在初始階段迅速增長，經(jīng)過若干次的迭代逐漸減慢，在第52次迭代收斂，達(dá)到分類準(zhǔn)確率的最大值85.2%。這個最大值在之后的198次迭代沒有再變化，適度值在這一階段一直保持平穩(wěn)增長趨勢，作為全局最優(yōu)值方法應(yīng)用70

【參考文獻(xiàn)】：
期刊論文
[1]基于云計算和極限學(xué)習(xí)機(jī)的分布式電力負(fù)荷預(yù)測算法[J]. 王保義,趙碩,張少敏.  電網(wǎng)技術(shù). 2014(02)
[2]粗糙集與支持向量機(jī)在肝炎診斷中的應(yīng)用[J]. 王剛,劉元寧,陳慧靈,董浩,朱曉冬.  吉林大學(xué)學(xué)報(工學(xué)版). 2011(01)
[3]最小二乘支持向量機(jī)的參數(shù)優(yōu)化算法研究[J]. 李春香,張為民,鐘碧良.  杭州電子科技大學(xué)學(xué)報. 2010(04)

博士論文
[1]基于元啟發(fā)優(yōu)化極限學(xué)習(xí)機(jī)的分類算法及其應(yīng)用研究[D]. 馬超.吉林大學(xué) 2014
[2]混合交通視頻檢測關(guān)鍵技術(shù)研究[D]. 江晟.吉林大學(xué) 2013
[3]面向智能決策問題的機(jī)器學(xué)習(xí)方法研究[D]. 陳慧靈.吉林大學(xué) 2012



本文編號：3340353