基于粒子群算法和核极限学习机的财务危机预测模型

发布时间：2021-08-13 11:33

　　文章提出了一种基于粒子群优化算法与核极限学习机的企业财务危机预测方法。考虑到在分类预测的过程中参数优化与特征选择之间的相互影响,利用粒子群优化算法优化核极限学习机参数的同时进行特征选择,从而优化出最优的核极限学习机模型并得到具有代表性的特征子集;最后,使用所提出的最优的核极限学习机模型对新数据集进行训练和预测。实验表明,与其他预测模型进行对比实验,该方法具有更好的性能,方法可行有效且实用。 

【文章来源】：统计与决策. 2019,35(09)北大核心CSSCI

【文章页数】：5 页

【部分图文】：

看出，改进的PSO-KELM财务危机预测模型的整个过程主要包括两部分：

约?D的特征编码；随机生成种群；初始化迭代次数等参数利用5-CV训练当前KEML分类器计算适应度值迭代次数加1利用PSO更新粒子前两维C、γ的x和v同时利用离散的二进制PSO更新粒子其他维对应的特征的x和v用上步选中的特征，利用5-CV训练当前C、γ对应的KEML分类器根据目标函数计算适应度值更新个体最优适度值pbest和相应位置pfit是否达到种群大小yes更新全局最优适应度值gbest和相应位置gfityes是否达到最大迭代次数最优参数C、γyes最优特征子集内部循环，同步进行参数优化与特征选择，采用5-CV的优化准则企业财务数据D将D分成10个子集，分别为D1,D2…D10;K=0;i=0；初始化参数k++；i++；取Di为测试集，其余9个子集为训练集带有最优特征子集的训练集带有最优特征子集的测试集Di利用最佳KEML对带有最优特征集的测试集进行预测在9个带有最优特征的训练集上训练最佳C、γ对应的KEMLK=10?Yes10-KV得出的ACC外部循环，利用内循环获得的最优参数和特征，采用10-CV对分类性能进行评估NO图2PSO-KELM模型的算法流程69

的分类性能。表5三种模型的各个分类性能的双尾t检验结果t检验p值PSO-KELM带特征选择vs.PSO-KELM不带特征选择TypeIerror0.041TypeIIerror0.019ACC0.007PSO-KELM带特征选择vs.GA-KELMTypeIerror0.150TypeIIerror0.471ACC0.082选择的特征数0.012为了体现提出的PSO-KELM模型的收敛效果，可观察模型的演化过程。0.860.850.840.830.820.810.80.790.780.770.76050100150200250迭代次数分类准确率图3在某1折数据上训练阶段最好的适应度图3显示了数据在10折交叉验证中某1折上最好的适应度值即PSO的全局最优值的演化曲线。记录每一次迭代通过比较训练集中最佳pbest，通过该演化过程可以看出：新的PSO-KELM模型进行训练时，目标函数曲线的适度值在初始阶段迅速增长，经过若干次的迭代逐渐减慢，在第52次迭代收敛，达到分类准确率的最大值85.2%。这个最大值在之后的198次迭代没有再变化，适度值在这一阶段一直保持平稳增长趋势，作为全局最优值方法应用70

【参考文献】：
期刊论文
[1]基于云计算和极限学习机的分布式电力负荷预测算法[J]. 王保义,赵硕,张少敏.  电网技术. 2014(02)
[2]粗糙集与支持向量机在肝炎诊断中的应用[J]. 王刚,刘元宁,陈慧灵,董浩,朱晓冬.  吉林大学学报(工学版). 2011(01)
[3]最小二乘支持向量机的参数优化算法研究[J]. 李春香,张为民,钟碧良.  杭州电子科技大学学报. 2010(04)

博士论文
[1]基于元启发优化极限学习机的分类算法及其应用研究[D]. 马超.吉林大学 2014
[2]混合交通视频检测关键技术研究[D]. 江晟.吉林大学 2013
[3]面向智能决策问题的机器学习方法研究[D]. 陈慧灵.吉林大学 2012



本文编号：3340353