基于 KLCCF 和 SPG-GMKL 的财务危机预警模型磁

• 作者: 余清清 曾健民 林德贵
• 来源期刊: 计算机与数字工程
• 学科: 工学
• 关键词: 数据挖掘 广义多核学习 局部一致概念分解 流形学习 财务预警
• 年，卷（期）: 2015,（12）
• 所属期刊栏目: 信息处理与网络安全
• 页码范围: 2209-2214,2242
• 页数: 7页
• 分类号: TP391
• 字数: 6225字
• 语种: 中文
• DOI: 10.3969/j.issn.1672-9722.2015.12.024

摘要

财务危机预警至今仍是数据挖掘领域的研究热点，为了有效解决异构高维财务数据的挖掘，论文提出一种新的财务数据预测模型。此模型是在核局部一致的概念分解（KLCCF）的降维基础上构建广义多核学习（GMKL ）分类模型。该模型很好地解决了复杂、高维、非线性的财务数据的分类问题，进而用于准确地预测财务困境。首先，核局部一致的概念分解较好地将高维非线性流形数据进行降维，得到有效的特征集，充分地展现数据流本质的几何结构。其次，谱投影梯度法（SPG）在步长设置上考虑二次信息，采用非单调步长选择准则减少评估函数的次数，它对梯度噪音具有较好的鲁棒性，进一步优化广义多核学习（GMKL）模型。最后，实验显示基于 KLCCF 的 SPG‐GMKL 分类模型优于 SVM 分类器，具有较高的分类准确性，有效地解决了高维异构财务数据的分类问题。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	林德贵	闽南理工学院信息管理系	5	16	2.0	4.0
2	余清清	闽南理工学院信息管理系	1	5	1.0	1.0
3	曾健民	闽南理工学院信息管理系	2	14	2.0	2.0