基于基因表达式编程的信用评估模型挖掘方法
基于数据挖掘的银行信用风险评估与预测模型研究
基于数据挖掘的银行信用风险评估与预测模型研究随着金融市场的高速发展，银行的信贷业务日益繁荣，但信用风险也随之增加。
为了更好地评估和预测银行的信用风险，提高信贷决策的准确性和效率，数据挖掘技术成为一种重要的工具。
本文将基于数据挖掘的方法，研究银行信用风险评估与预测模型。
首先，我们需要了解银行信用风险的概念。
银行信用风险是指在银行贷款过程中出现的借款人无法按时偿还本金和利息的风险。
信用风险评估和预测的目标是根据客户的个人和财务信息，预测客户未来还款能力，为银行决策提供可靠的依据。
数据挖掘技术适用于大量的数据分析，可以挖掘出隐藏的模式和关联规则。
在银行信用风险评估与预测中，常用的数据挖掘技术包括分类、聚类、关联规则和异常检测等。
首先，分类是一种常用的数据挖掘技术。
在银行信用风险评估中，分类技术可以将客户分为违约和非违约两类。
为了构建分类模型，首先需要选择合适的特征，如客户的年龄、性别、婚姻状况、收入水平等。
然后，通过训练样本对模型进行训练，选取适当的分类算法，如决策树、支持向量机或神经网络等。
最后，利用测试样本对分类模型进行验证和评估，并进行模型的调优。
其次，聚类是另一种常用的数据挖掘技术。
在银行信用风险评估中，聚类可以将客户根据其相似性分为不同的群组，从而揭示出潜在的信用风险。
聚类可以帮助银行更好地理解不同客户群体的特点，并针对不同群组制定不同的风险管理策略。
聚类的方法有很多种，如基于密度的DBSCAN算法、基于距离的K-means算法等。
另外，关联规则是用于挖掘数据集中项之间隐含关联关系的技术。
在银行信用风险评估中，关联规则可以帮助银行发现不同变量之间的关联性，从而更好地评估客户的信用风险。
关联规则的常用算法包括Apriori算法和FP-Growth算法。
通过关联规则的挖掘，银行可以识别出客户在还款能力上存在的弱点，从而更加准确地预测客户的信用风险。
最后，异常检测也是一种重要的数据挖掘技术。
在银行信用风险评估中，异常检测可以帮助银行发现异常的信用行为，如逾期还款、欺诈等。
基于集成学习的信用评级模型研究
基于集成学习的信用评级模型研究1. 绪论随着金融市场的发展和金融风险的增加，信用评级已经成为金融行业中一个至关重要的领域。
信用评级模型是通过对信用评级数据的建模和分析，预测违约风险等，为投资者提供投资决策和风险管理指导的工具。
2. 传统信用评级模型传统的信用评级模型涉及到线性回归、决策树以及神经网络等机器学习方法。
这些方法使用单个模型学习借款人的数据以及其他因素，以此预测借款人的信用违约风险。
然而，这些模型都存在一些局限性，如对异样数据的过拟合，对特定类型的借款人数据处理不佳，以及易受数据不平衡的影响等。
3. 集成学习方法为了提高信用评级模型的准确性和稳定性，研究者通常采用集成学习方法。
集成学习通过结合多个独立的分类器来改善单个模型的表现，从而提高模型的精度和鲁棒性。
此外，数据挖掘领域的专家们还增加了交叉验证、包外误差等方法来进一步提高集成学习的效果。
4. 基于集成学习的信用评级模型基于集成学习的信用评级模型主要包括Boosting、Bagging、Stacking等方法。
Boosting方法通过训练多个不同的分类器，将分类器集合起来，串联成一个分类器，有效提高了模型的准确性。
Bagging方法则通过集成多个互相独立的分类器，结合分类器所得出的结果来对借款人进行评级，降低了单个分类器因为过拟合或欠拟合而存在的偏差。
而Stacking方法则利用了多层分类器的结构，以模块化的方式构建不同训练样本的最优分类器。
5. 实验结果在对基于集成学习的信用评级模型进行实验测试时，我们选择了UCI机器学习库的借贷违约数据集，以此评估模型的准确性。
实验结果表明，相对于传统的信用评级模型，基于集成学习的信用评级模型获得了更高的准确性和稳定性。
6. 结论本文对于基于集成学习的信用评级模型进行了深入的研究和分析。
通过实验测试发现，基于集成学习的信用评级模型相对于传统的信用评级模型具有优异的表现，提高了我们对借款人信用违约风险的预测准确性和可靠性。
我校电工电子实验教学中心晋级国家级实验教学示范中心
题 竞赛 湖 北赛 区三等 奖 ２项 ；获得 大 学 生数 学 建模 全 国二等 奖 ２项 ，省 一等 奖 １项 ，省 二 等 奖 ５
０项，省三等奖２项，有 ３项成果获得省大学生优秀科研成果奖； ４篇学士学位论文获得湖北省优秀 ５
学士学位论 文 ，在公 开 出版 的刊物 上发表 科技论 文 ２ ６篇 。 （ 闻来 源 ：长江在 线 ） 新
２ ４部 ，其 中 “ 十五” 十一五” 国家级 规 划教 材 ５部 （ 中参 编 １ ） 、“ 其 部 。在 全 国 大学 生电子 设计 大
｛ 赛获全 国二等奖 １ 项，省一等奖 ３项，省二等奖 ９ ；获得挑战杯湖北赛区一等奖 ２项，二等奖 ２ 项
项 ；获得 “ 思卡 尔杯” 全 国智能 汽车竞 赛华 南赛 区二等 奖 ２项 ；获得 获得 ＡＬ Ｅ 飞 Ｔ ＲＡ杯 ｓ ｃ专 ０Ｐ
验仪 器设备 达 ２ ０ ７ ２台套 。在 实验硬件 平 台 、管理体 制 、 实验教 学体 系、实验教 学方 法和 手段 、实 验教 学管 理模式 等方 面进 行 了一 系列改革 。近 ５年 来 ，该 中心 获得 国家级教 学成果 二等 奖 １项 ，湖
北省教 学成果 奖 ３项 ，获得 省部 级科研 奖励 ５项 ，省级 精 品课 程 和优 质课 程 ４门 ， 出版教 材 专 著
据 了解 ，在 全 国本科 院校 开展 实验 教 学示 范 中心 建设和评 审工作 ，是教 育部提 升 办学水平和教 ０育质量 的 重要 举措 。此 次全 国仅 有 １ ３个 学校 获批 国家级 电工 电子类 实验 教 学 中心 ，其 中地 方院校
基因表达式编程（GeneExpressionProgramming,GEP）
基因表达式编程（GeneExpressionProgramming,GEP）前⾔该算法旨在在⼀组数据点中，⽤基因表达式编程的⽅法，根据基因遗传定律，物竞天择、优者⽣存，劣者淘汰的思想，不断进化种群，找出适宜度最⾼的染⾊体来模拟出数据点之间所存在的数学表达式关系。
通常该算法⽤来解决符号回归问题：符号回归（Symbolic Regression）作为⼀种⼀种监督学习⽅法，试图发现某种隐藏的数学公式，以此利⽤特征变量预测⽬标变量。
符号回归的优点就是可以不⽤依赖先验的知识或者模型来为⾮线性系统建⽴符号模型。
符号回归基于进化算法，它的主要⽬标就是利⽤进化⽅法综合出尽可能好的解决⽤户⾃定义问题的⽅法（数学公式，计算机程序，逻辑表达式等）。
1 编码规则1.1 基因⼀段基因由两部分组成：头部和尾部，形如：其中，红⾊部分为头部基因，其长度为9，绿⾊部分为尾部基因，其长度为8。
基因中的每个元素分为两种形式：函数和终点，它们分别从函数集和终点集中进⾏选择：函数集算术运算符：例如+、-、*、/等初等数学函数，例如：sin、开⽅、cos等其它⼀些函数，例如：max、min等布尔运算符：例如与、或、⾮关系运算符：例如<、>、=等条件运算符：例如 if 等终点集变量数值：例如x1、x2常量数值：例如π、e⽆参函数：例如rand()等基因头部长度我们⽤h表⽰，尾部长度⽤t表⽰，函数集所需最⼤参数⽤n表⽰，⽐如⼀个函数集为{+、-、*、/、sin、cos}，其中所需参数的最⼤个数为2，则n为2那么h、t、n三者之间的关系是：t=h∗(n−1)+1维持这样的关系，可以保证产⽣的基因编码都是合法编码。
1.2 基因编码原理⽐如下⽅的数学表达式：翻译成表达式树为，其中Q表⽰开⽅：那么可以得到它的基因型为：下⾯来看看⼀个基因型翻译成表达式的过程：基因型如下：基因的起点对应表达式树的根：Q(开⽅)需要⼀个参数，那么往后取⼀个参数：乘法需要两个参数，往后取两个参数：以此类推，可以画出该基因型的表达式树为：我们可以看出，表达式树的根⼀定要是函数集的元素，叶⼦节点⼀定是终点集的元素。
基于人工智能的信用风险评估模型
基于人工智能的信用风险评估模型随着金融科技的快速发展，人工智能技术在金融领域的应用越来越广泛，其中之一就是信用风险评估模型。
信用风险评估是金融机构在贷款、融资等业务中必须面对的挑战之一，传统的评估方法往往存在着信息不对称、人工操作繁琐等问题。
而基于人工智能的信用风险评估模型则可以通过大数据分析和机器学习等技术手段来提高评估效率和准确性。
基于人工智能的信用风险评估模型主要通过数据挖掘和机器学习算法来分析借款人或企业的信息，从而预测其未来还款能力和违约概率。
首先，该模型会收集大量借款人或企业相关数据，包括个人资料、财务状况、征信记录等。
然后，通过数据挖掘技术对这些数据进行处理和分析，提取出与信用风险相关的特征。
在特征提取阶段，基于人工智能的信用风险评估模型可以利用自然语言处理技术对借款人或企业的文本信息进行分析，识别出关键词和情感倾向，从而了解其信用状况。
同时，该模型还可以利用图像处理技术对借款人或企业的照片、营业执照等图像信息进行分析，识别出潜在的信用风险因素。
接下来，基于人工智能的信用风险评估模型会利用机器学习算法对提取出的特征进行建模和预测。
常见的机器学习算法包括决策树、支持向量机、神经网络等。
这些算法可以通过训练集和测试集来学习和优化模型参数，从而提高评估结果的准确性。
在建立信用风险评估模型时，数据质量是一个关键因素。
基于人工智能的信用风险评估模型需要大量高质量、真实可靠且具有代表性的数据才能取得良好效果。
因此，在数据收集和预处理阶段需要严格筛选数据源，并进行数据清洗和特征选择等工作。
除了数据质量外，算法选择也是建立高质量信用风险评估模型不可忽视的因素。
不同的算法适用于不同的数据类型和问题场景。
因此，在建立模型前需要对数据进行充分分析和了解，选择适用于该问题的算法。
基于人工智能的信用风险评估模型在金融领域已经取得了一定的应用成果。
例如，在互联网金融领域，一些平台已经开始使用该模型来评估借款人的信用风险，从而提高贷款审核效率和准确性。
基于机器学习的信用风险评估模型构建研究
基于机器学习的信用风险评估模型构建研究信用风险评估一直是金融行业中的一个重要课题，因为准确评估个人或企业的信用风险可以帮助金融机构做出明智的决策，减少坏账的风险。
随着技术的进步，机器学习作为一种强大的工具，在信用风险评估领域发挥着越来越重要的作用。
本文将探讨基于机器学习的信用风险评估模型的构建研究。
一、引言信用评估是金融机构决策的重要依据之一。
传统的信用评估模型主要基于人工经验和统计分析，其局限性在于无法捕捉复杂的非线性关系及高维信息。
而机器学习作为一种能从大量数据中学习规律并做出预测的算法，为信用风险评估提供了新的思路。
二、数据预处理数据预处理对于构建可靠的机器学习模型至关重要。
在信用风险评估中，我们常常需要处理大量的结构化和非结构化数据。
首先，我们需要清洗数据，去除重复和缺失值，消除数据中的噪声。
接下来，我们需要进行特征选择，选择与信用风险相关的特征，并对特征进行归一化处理，以确保模型对各个特征的权重能够准确计算。
三、特征选择特征选择是信用风险评估模型构建中的关键环节，它直接影响模型的性能和预测结果。
在特征选择过程中，我们需要考虑以下几个因素：首先，必须选择与信用风险密切相关的特征，例如个人的收入水平、负债情况、工作稳定性等。
其次，我们需要考虑特征之间的相关性，避免选择高度相关的特征。
最后，我们还需要考虑特征的稀疏性，尽量选择那些具有较高信息量的特征，以提高模型的泛化能力。
四、模型选择在信用风险评估模型的构建中，我们可以选择多种机器学习算法，例如逻辑回归、决策树、支持向量机和神经网络等。
每种算法都有其独特的优势和适用场景。
在模型选择时，我们需要根据数据的特点、问题的需求以及时间和计算资源的限制来确定最合适的算法。
此外，我们还可以考虑多模型融合的方式，将多个模型的预测结果进行组合，提高预测的准确性和稳定性。
五、模型训练与评估在模型训练阶段，我们需要将数据集划分为训练集和测试集。
用训练集对模型进行训练，并通过在测试集上的表现评估模型的性能。
基因表达式编程综述
基因表达式编程综述摘要：基因表达式编程是借鉴生物遗传的基因表达规律提出的知识发现新技术。
本文简要阐述了基因表达式编程的基本原理、主要特点，介绍了其相应的研究领域以及相其改进算法。
关键字：基因表达式编程；染色体；应用Simple discussion on Gene Expression ProgrammingAbstract:Gene Expression Programming is a new technology based on gene expressing rules．The paper has described the basic principle and characteristic of GEP.and the main application fields and the improved GEP algorithm were introducedKeywords:Gene Expression Programming; Chromosome; Application0 引言基因表达式编程GEP(Gene Expression Programming)是Gandida Ferreira[1-3]在2001年提出的一种新型自适应演化算法。
借鉴自然界生物进化的规律，在遗传算法GA（Genetic Algorithm）和遗传算法GP（Genetic Programming）的基础上提出的基于表现型和基因型的优化算法。
CEP结合了遗传算法及遗传编程的思想，融合了两者的优点,能通过简单紧凑的编码解决复杂的应用问题。
Ferreira[2,4]指出基因表达式编程的效率比传统的遗传算法和遗传编程高出100~60 000倍。
自从文献[1]首次提出该算法后，引起了国内外众多学者的关注，对GEP展开了深入地研究，获得了大量的理论与实践的研究结果。
GEP已经成功运用解决了许多如分类、数据挖掘、时间序列等问题。
关于安徽省2015年度自然科学基金拟立项项目的公示
项目名称
高量子效率纳米晶/聚合物复合材料的制备、性质调控及其LED应用研究 基于荧光超支化聚合物的仿贝壳材料研究 双基模式下机载前视SAR二维分辨问题研究 面向图像检索的可扩展视觉特征量化研究 基于基因表达式编程的作物生长建模方法研究 面向可信管理的业务系统变化域分析方法研究 无源超高频射频识别标签性能分析及评估方法研究 Web社会网络的微观结构多粒度挖掘及演化机理研究 基于本体的IFC和CityGML互联的徽派古建筑信息模型的研究 高容量可逆数字水印及其在图像保护中的应用研究 空间上下文驱动的目标集群跟踪研究 3D NoC关键通信部件自适应容错方法研究 大气多组分气体高精度同时测量方法研究 基于2D-DBF的星载BiSAR高分辨宽测绘带成像方法研究 基于子模优化与图匹配的共同视觉模式发现理论与方法研究 基于压缩感知理论的计算全息研究 基于球面磁场编码的空间回转角度测量关键技术研究 信息物理融合系统及其信息流安全的建模与分析方法 一元Fuzzy事件PMJ模型认知计算研究 脑网络分析中图学习及其应用 大数据环境下多粒度粗糙集模型的知识获取理论与方法研究 基于多粒度的不完备信息系统知识获取方法的研究 多细胞生物代谢系统变化预测方法研究 基于流形学习的蛋白质相互作用数据去噪与网络重建 含齿隙和摩擦的多电机同步联动伺服系统特征建模与控制研究 基于多尺度几何分析的可见光弱小目标特征提取方法研究 资源结盟博弈理论及其在灾害应急管理中的应用研究
序号
106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132
申请人
侯林瑞 郝文涛 王金根 周文罡 江朝晖 刘祥伟 李兵 赵姝 史东辉 郑淑丽 王江涛 欧阳一鸣 李劲松 武拥军 唐俊 韩超 党学明 王精明 冯康 接标 葛浩 姚晟 郑浩然 王兵 赵海波 王常青 张国富
一个基于基因表达式编程的软件可靠性评测系统
重 庆 教 育 学 院 学 报
Ｊ ｕ ｎ ｌ ｆＣ ｏ ｇ ｉ ｇＣ ｌ ｇ ｆＥ ｕ ａｉｎ ｏ ｒａ ｈ ｎ ｑ ｎ ｏｌ ｅｏ ｄ ｃ ｔ ｏ ｅ ｏ
Ｖ０ ＿ １ Ｉ Ｎｏ６ ２ ． Ｎｏ ｅ ｅ ， ０ ８ ｖ ｍｂ ｒ ２ ０
每 一段 的预测 结果 ， 出软 件失效 的预测表 达式 。 得
７ ・ ０
进化计算部分，在实验中可以 自由设置相应的 Ｇ Ｐ参 数 （ 括 种 群 大 小 、 择 算 子 、 应 度 函数 Ｅ 包 选 适
等 ）从 而 得到 拟合程 度尽 量 高的 预测 表达式 。 ，
软 件 的可靠 程度 ．是评 价软 件 系统 的一个重 要 指标 。 关于 软件 可靠性 的确 切含义 ， 术界 有过 长期 学 的争论 ，曾经 有人 否认 软 件具 有 可靠 性 。９ ３年 美 １８
Ｄａ ａ Ｆ ｒ ｔ１： ａｌ ｒ — ｏ ｎ ａ ａ ｔ ｏ ｍａ Ｆ ｉ ｅ ｃ ｕ ｔ ｔ ｕ ｄ
件 可靠性 评测 工具 ， 用 Ｊ ｖ 采 ａａ语言 实现 ， Ｐ 在 Ｃ平 台
上 开发 ， 主要 由三 部分组 成 ： 第一 部分 是数 据处 理部
分 ； 二 部分是 进化 计算 部 分 ； 三部 分是 结果展 示 第 第
部分 。
对 于软件 失效 数据 ，有 很多 种表 示方法 ：有 时 间— — 失效计 数表 示 ， 时间— — 累计失 效数 表示 ， 以 及失效—— 间隔 时间表 示等 。这 三种 失效数 据 的例
子 ， 图 １１ １ 如 ．、． ２所示 。 １ ＧＥ ． ２ Ｐ软件 可靠 性评 测 系统框 架
收 稿 日期 ：０ ８ ０ — ２ ２ ０— ９ ２ 作 者 简 介 ： 盈 贤（ ９ １ ） 男 ， 朱 １ ８ 一 ， 重庆 市 人 ，硕 士 ， 教 。 助
基因表达式编程在函数挖掘中的应用研究
线性符号编码＇ 由于编码巧妙 ， 使得遗传操 作非 常简单 ， 基本 类似 于标 准遗传 算法 的遗传操作， 从功能上 ，Ｅ 和 Ｇ 类 ＧＰ Ｐ
似， 能发现揭示 问题本质 的规则 、 公式 以及描 述问题解答过 程 的程序 等． ［ 中介绍 了 Ｇ Ｐ的基本算 法 ， 文献 ５ ］ Ｅ 通过实验 的 方法讨论 了问题求解 、 函数挖 掘、 符号 回归 、 参数优化 、 时间 序列 预测 分类 规则 、 逻辑综 合、 组合优化 、 细胞 自动 机、 以
式 （ ） ／是 函数符号集 中所需变量 数最多 的函数 的参数 １中 ／ ，
个数 ． 采用 这种头尾划分 的好 处在于 ， 一方面整个 基 因的结
构在设 定了 函数集和头部长度之后就能够确 定 ； 另一方面 ， 整个 基因在式（ ） １ 的前提下一定 能够保 证结构上 的正确性 ，
而不 用担 心会 产生任何非法 的个体【 饲 ．
性和保护最优 解方面的缺 陷， 对经典 Ｇ Ｐ Ｅ 进行 了 改进 ， 出了一种基 于头、 尾 三段 结构和 自 提 身、 适应 变异算子的 改
进的基 因表达式算 法（ Ｅ ＿ Ｍ）并从理论上对算 法的复杂度 和收敛性进行 了分析 ； Ｇ ＰＦ ， 同时将 Ｇ Ｐ Ｆ 算法应用 于 Ｅ—Ｍ
函数挖掘． 多个数 值 实验结果表 明： 该方法挖掘的模 型优 于传 统算法及 经典 Ｇ Ｐ算法 ， Ｅ 具有更 高的拟合度 和预测
题选定 的， 而尾部的长度 ｔ 由式 （ ） 则 １ 得到． ｔ ｘ ｎ １ ＋１ ＝ｈ （一 ） （） １
Байду номын сангаас
状， 往往超 出人的想象能力 ， 选择一个 合理 的表 达式 结构 十 分困难后 来 又出现 了用神 经网络 、 遗传算法和遗传 程序设 计 等求 解 函数挖掘 问题 ， 均取得 了较好 的效果， 这些方 法 但 通常 只适合求 解结构较 为简单 的 函数 ， 且多 数情况 下是 多 项式 函数． 因表达式编程 是一种新 的 自适 应演化算法 ， 基 具 有 染色体 简单 、 线性紧凑 、 易于进行 遗传 操作 、 不需 要任何 先验知识等优点 ， 很适合解 决 函数挖掘 问题 ［１ ２． － ３
基于机器学习的信用评估模型研究与实现
基于机器学习的信用评估模型研究与实现【引言】随着金融科技的快速发展，信用评估在个人和企业的金融活动中起着至关重要的作用。
传统的信用评估模型往往依赖于人工指标分析，效率低下且容易出现主观判断的问题。
为了提高信用评估的准确性和效率，基于机器学习的信用评估模型应运而生。
本文将探讨基于机器学习的信用评估模型的研究与实现。
【机器学习在信用评估中的应用】机器学习在信用评估中的应用可以大大提高评估的准确性和效率。
通过分析大量的历史数据，机器学习算法能够发现隐藏在数据中的模式和规律，并根据这些模式和规律对未来的信用风险进行预测。
1. 数据预处理在构建信用评估模型之前，首先需要对原始数据进行预处理。
这包括数据清洗、缺失值处理和数据转换等步骤。
通过数据预处理，可以提高数据的质量和可用性。
2. 特征选择特征选择是机器学习模型构建中的重要环节。
在信用评估中，选择合适的特征可以提高模型的预测准确性。
常用的特征选择方法包括信息增益、卡方检验和递归特征消除等。
3. 模型选择与训练选择合适的机器学习模型是基于机器学习的信用评估模型研究中的关键步骤。
常用的机器学习模型有逻辑回归、支持向量机、决策树和随机森林等。
根据具体的需求和数据特点，选取最适合的模型进行训练。
4. 模型评估与优化构建完模型后，需要进行模型评估和优化。
常用的评估指标包括准确率、精确率、召回率和F1-score等。
根据评估结果，对模型进行调优，以提高模型的性能和泛化能力。
5. 模型应用与监控构建好的信用评估模型需要在实际应用中进行监控和更新。
定期对模型进行验证和调整，以保证模型在不同数据集和环境下的准确性和稳定性。
【基于机器学习的信用评估模型的优势】相比传统的信用评估模型，基于机器学习的信用评估模型具有以下几个优势：1. 自动化处理：基于机器学习的信用评估模型能够自动化地处理大量的数据，提高工作效率。
2. 高准确性：通过挖掘大量历史数据中的模式和规律，机器学习模型能够对未来的信用风险进行准确的预测。
基于基因表达式编程的数据挖掘技术在股票中的研究与应用
列技 术 要 点 ：
部 （ｈｅａｄ）和尾 部 （ｔａｉｌ）两部 分 ，头 部 可 以 出现 运 算 符 和 变 最 ，而尾
． 在 已知 并 用 于训 练 的数 据 集 上建 立 一 个 预 测 模 型
部只能出现变量。例如当ｈ为 ５，则 ｔ－－６，于是√ｘ ＋Ｙ的编码可
． 使用 训 练 数据 集 以外 的 已知 数据 测 试 模 型 得 出结 果 。
Hale Waihona Puke 并且 把 我 们 面临 的 问 题准 确描 述 并 公 式 化 ．突 出 主要 矛 盾 ＋导 出 以得 到 对应 的数 学表 达 式 。
可行 的解 决 方法
ＧＥＰ中 编 码 串 的 长 度 由 位 于 前 端 的 有 效 的 Ｋ表 达 式 和后
简单 的数据描述还不能满 足挖掘过程的需求 。我们需要完 成下 面 的填 克 部 分组 成 为 了保 证 基 因编 码 的有 效 性 ．编 码 被 分 为头
【关键字 】：ＧＥＰ ，数据挖掘 ， 投 资理财
１．引 言
在 遗 传 算 法 的 运 行过 程 中 ．我 们 不对 所 求 解 问 题 的 实 际 决 策 变
随着 市 场经 济 的 发展 ．个人 投 资 理财 涉 及 到 的 领域 越 来 越 量 直接 进 行 操 作 。而 是 对 表 示 可 行 解 的 个 体 编 码 施 加 选 择 、交
它是√ ＋Ｙ基因编码的主体。对于每～运算符的操作数个数，
数 据 挖 掘ｉ（Ｄａｔａ Ｍｉｎｉｎｇ，简 称 ＤＭ）就 是 从 大 量 的 模 糊 的 、随 例 如 ｔＯ”是 单 日运 算 符 而 ”和 ”＋”是 双 目运 锋 符 ，南于 它 们 是 已
机 的实 际 应用 数 据 中 ．提 取 隐 含在 其 中潜 在 有 用 的信 息 和 知 ｉ只。 知 的 ．所 以将 Ｋ表 达 式 解 码 就是 按 以上 过 程 的 逆 过 程 ，这 样 就 可
基于基因表达式编程的规则分类
ｔ ｈ ｉ ｓ ห้องสมุดไป่ตู้ｅ ｔ ｈ ｏ ｄ ｗｈ ｅ ｎ ｍｉ ｎ ｉ ｎ ｇ ｒ ｕ ｌ ｅ ｓ ，ｕ ｓ ｉ ｎ ｇ ＧＥＰ ｔ ｏ ｍｉ ｎ ｅ ｏ ｕ ｔ ｒ ｕ ｌ ｅ ｓ ｉ ｓ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ ．Ｆ ｉ ｒ ｓ ｔ ｌ ｙ ａ ｎ ｅ ｗ ｐ ａ ｔ ｔ ｅ ｒ ｎ ｏ ｆ ｃ ｈ ｒ ｏ ｍｏ ｓ ｏ ｍｅ ｔ ｅ ｍ ｉ ｒ ｎ ａ ｌ ｓ ｙ ｍｂ ｏ ｌ
ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ．Ｔｈ ｅ ｎ ｔ ｈ ｅ ｆ ｉ ｔ ｎ ｅ ｓ ｓ ｉ ｓ ｓ ｏ ｒ ｔ ｅ ｄ ｉ ｎ ｄ ｅ ｓ ｃ ｅ ｎ ｄ ｉ ｎ ｇ ｏ ｒ ｄ ｅ ｒ ａ ｎ ｄ ａ Ｄ ａ ｌ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｖ ｅ ｓ ｅ ｔ ｏ ｆ ｒ ｕ ｌ ｅ ｓ ａ ｒ ｅ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄ ．Ｂｙ ｕ ｓ ｉ ｎ ｇ ＧＥＰ ｔ Ｏ ｍｉ ｎ ｅ ｏ ｕ ｔ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｒ ｕ ｌ ｅ ｓ ｉ ｎ ｔ ｈ ｅ Ｍｏ ｎ ｋ ａ ｎ ｄ Ａｃ ｕ ｔ ｅ Ｉ ｎ ｆ ｌ ａ ｍｍ ａ ｔ ｉ ｏ ｎ ｓ ｄ ａ ｔ ａ ｓ ｅ ｔ ｓ ａ ｎ ｄ ｍａ ｋ ｉ ｎ ｇ ｕ ｓ ｅ ｏ ｆ ｔ ｈ ｅ ｓ ｅ ｒ ｕ ｌ ｅ ｓ ｔ Ｏ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｙ ｄ ａ ｔ ａ ｓ ｅ ｔ ｓ ，ｔ ｈ ｅ ｏ ｕ ｔ ｃ ｏ ｍｅ ｏ ｆ ｅ ｘ ｐ ｅ ｒ ｉ ｍｅ ｎ ｔ ｓ ｏ ｎ ｔ ｈ ｅ ｓ ｅ ｔ ＷＯ ｄ ａ ｔ ａ ｓ ｅ ｔ ｓ ｃ ａ ｎ ｈ ｅ ｓ ｅ ｅ ｎ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｎ ｅ ｗ ｍｅ ｔ ｈ ｏ ｄ ｈ ａ ｓ ｈ ｉ ｇ ｈ ｅ ｒ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ｔ ｈ ａ ｎ ｔ ｈ ｏ ｓ ｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎ ａ ｌ ｏ ｎ ｅ ｓ
基于人工智能的信用评估模型构建
基于人工智能的信用评估模型构建随着互联网的发展和大数据的涌现，人工智能（Artificial Intelligence，简称AI）作为一个热门的领域，正逐渐渗透到我们生活的方方面面。
信用评估作为金融领域重要的一个环节，是金融机构为了衡量借款人的信用状况而进行的一种评估手段。
在过去的几十年里，传统的信用评估模型主要依靠信用报告和借款人的基本信息，如收入、负债等来进行评估。
然而，随着人工智能的发展，基于人工智能的信用评估模型逐渐崭露头角，成为金融业务中的一股新力量。
一、人工智能与信用评估模型人工智能是指通过模拟人类智能的思维、决策和行为的机器系统。
在信用评估领域，人工智能可以通过学习和处理大量的历史数据，发现其中的规律和模式，并利用这些模式来预测未来的信用表现。
这种基于人工智能的信用评估模型被广泛应用于金融业务，如贷款、信用卡审批等。
二、基于人工智能的信用评估模型的构建过程基于人工智能的信用评估模型的构建可以分为以下几个步骤：1. 数据收集与预处理：首先需要收集大量的历史数据，包括借款人的个人信息、金融交易记录、信用报告等。
然后需要对这些数据进行预处理，包括数据清洗、数据变换、异常数据处理等，以确保数据的准确性和完整性。
2. 特征选取与工程：在数据预处理之后，需要对数据进行特征选取和工程，即从历史数据中选择出对信用评估模型有影响的特征，并对这些特征进行加工和变换，以提高模型的预测准确性。
3. 模型训练与验证：在特征选取和工程之后，需要将数据划分为训练集和验证集，然后利用训练集来构建基于人工智能的信用评估模型。
这个过程通常包括选择合适的模型算法，设置模型参数，并通过训练集对模型进行训练和优化。
然后通过验证集对模型进行验证和调整，以确保模型的稳定性和预测准确性。
4. 模型应用与优化：在模型训练和验证之后，需要将模型应用于实际的信用评估场景中。
在应用过程中，需要根据实际情况对模型进行调整和优化，以适应不同的信用评估需求和风险水平。
人工智能在金融领域中的信用评估模型研究
人工智能在金融领域中的信用评估模型研究人工智能（Artificial Intelligence, AI）在金融领域中的应用越来越广泛，其中之一是信用评估模型。
信用评估模型是金融机构用来评估借款人信用worthiness的工具，以确定是否授予贷款并决定贷款的额度和利率。
传统的信用评估模型通常基于统计学模型，但随着数据的大量积累和计算能力的提高，使用AI技术来构建更精确和准确的信用评估模型已成为可能。
一种常见的AI技术在金融领域中应用的是机器学习。
机器学习是一种基于数据的方法，通过训练模型来学习数据的模式和关系，然后使用这些模型预测新的数据。
在信用评估中，机器学习可以使用历史贷款数据和借款人的相关信息，如个人资料、收入、就业记录等，来构建预测模型。
首先，机器学习可以通过分类算法来区分借款人的信用等级。
分类算法通过对已有的数据集进行学习，从中提取特征，并从中区分不同的信用等级。
常用的分类算法包括决策树、支持向量机和逻辑回归等。
通过对历史数据的分析和模型训练，机器学习模型可以自动识别出借款人的信用等级，提供更准确的信用评估。
其次，机器学习还可以通过回归算法来预测借款人的违约概率。
回归算法是一种建立关系模型的方法，通过学习历史数据中的模式和关系来预测新的数据。
借款人的违约概率是信用评估中非常重要的指标，对于金融机构来说，预测借款人是否会违约具有重要意义。
利用机器学习的回归算法，金融机构可以更准确地预测借款人的违约概率，并做出相应的风险控制措施。
除了机器学习，深度学习也逐渐应用于金融领域的信用评估模型研究。
深度学习是机器学习的一个分支，它模拟了人脑的神经网络结构，通过多层次的神经元来学习和理解数据的特征。
相比传统的机器学习方法，深度学习可以更好地处理大量和复杂的数据，对于信用评估这样的高维数据有着优势。
深度学习可以通过卷积神经网络（Convolutional Neural Network, CNN）和循环神经网络（Recurrent Neural Network, RNN）来实现。
gep计算方法
gep计算方法（实用版4篇）目录（篇1）1.GEP 计算方法的概念和背景2.GEP 计算方法的基本原理3.GEP 计算方法的具体步骤4.GEP 计算方法的应用案例5.GEP 计算方法的优缺点分析正文（篇1）一、GEP 计算方法的概念和背景GEP（Gene Expression Programming）计算方法是一种基于基因表达编程的优化算法，由美国加州大学洛杉矶分校的 David E.Goldberg 教授于 1996 年提出。
该方法受到生物进化过程的启发，通过模拟自然选择和基因表达过程中的变异、选择和交叉操作，寻找问题的最优解。
GEP 计算方法主要应用于解决各种复杂的优化问题，如函数逼近、机器学习、信号处理等领域。
二、GEP 计算方法的基本原理GEP 计算方法的基本原理可以概括为：通过编码、评估、选择和交叉操作四个步骤，逐步搜索问题空间中的最优解。
1.编码：将问题的解编码为一个基因型串，每个基因表示一个解的特征。
2.评估：根据问题本身的评估函数，计算每个基因型对应的适应度值，用于衡量解的质量。
3.选择：根据适应度值从当前种群中选择一些优秀的个体，用于下一代的繁殖。
4.交叉操作：对选中的优秀个体进行交叉操作，生成新的后代。
交叉操作的目的是在种群中传播优良基因，以提高整个种群的适应度。
三、GEP 计算方法的具体步骤GEP 计算方法的具体步骤如下：1.初始化种群：随机生成一定数量的初始个体，每个个体表示一个解。
2.评估适应度：计算当前种群中每个个体的适应度值。
3.选择操作：根据适应度值从当前种群中选择一定数量的优秀个体。
4.交叉操作：对选中的优秀个体进行交叉操作，生成新的后代。
5.更新种群：将新产生的后代加入到种群中，替换部分较差的个体。
6.终止条件检测：判断是否满足终止条件，如达到最大迭代次数或找到满足要求的解。
7.返回最优解：返回找到的最优解。
四、GEP 计算方法的应用案例GEP 计算方法在许多领域都有广泛应用，如函数逼近、机器学习、信号处理、组合优化等。
gplearn 算子 解读
gplearn 算子解读gplearn是一个基于遗传编程的Python库，用于生成数学模型和算法。
它提供了一种使用遗传编程来发现数学表达式的方法，这些表达式可以用于回归、分类、符号回归和其他任务。
在gplearn 中，算子是指在遗传编程中用于生成和优化数学表达式的基本操作。
这些算子包括选择、交叉、变异和复制等。
首先，让我们来解读gplearn中的选择算子。
选择算子是指在每一代中选择哪些个体来参与繁殖下一代的过程。
通常，选择算子会根据个体的适应度来进行选择，适应度高的个体更有可能被选中。
这样可以保留适应度高的个体，有助于在进化过程中逐步优化模型。
其次，交叉算子是遗传编程中常用的算子之一。
它类似于遗传算法中的交叉操作，通过交换两个父代个体的部分基因来产生新的个体。
在gplearn中，交叉算子可以帮助个体之间交换信息，促进遗传编程的进化过程，有助于产生更优秀的数学表达式。
接着，变异算子是指在遗传编程中对个体进行随机变化，以增加种群的多样性。
这样可以避免种群陷入局部最优解，有助于全局搜索更优秀的数学表达式。
在gplearn中，变异算子可以通过改变个体的部分基因来引入新的信息，从而促进种群的多样性。
最后，复制算子是指在遗传编程中将适应度高的个体直接复制到下一代，以确保其后代能够继承其优良特性。
这样可以加速优秀个体的传播和积累，有助于提高种群整体的适应度。
综上所述，gplearn中的算子包括选择、交叉、变异和复制等，它们共同作用于遗传编程的进化过程，帮助生成和优化数学表达式，从而解决回归、分类、符号回归等问题。
通过合理使用这些算子，可以有效地提高遗传编程的效率和性能，得到更优秀的数学模型和算法。
基因表达式编程算法的研究与应用的开题报告
基因表达式编程算法的研究与应用的开题报告一、选题背景基因表达式编程算法（Gene Expression Programming，GEP）是一种基于进化计算思想的自适应优化算法，应用于求解复杂优化问题，具有很高的效率和适应性。
本课题旨在对基因表达式编程算法的研究和应用进行深入探讨，为其在实际应用中发挥更大作用提供理论和基础支撑。
二、研究目的本课题的研究目的是：1.了解基因表达式编程算法的基本原理和实现方式，深入探讨其优点和不足；2.探讨基因表达式编程算法在不同优化问题中的应用情况，并评估算法在不同问题中的性能表现；3.在应用实践中发现存在的问题进行深度分析，并提出改进措施，以提高算法的精度和稳定性。
三、研究内容本课题的研究内容包括：1.基于文献综述，深入剖析基因表达式编程算法的基本原理和实现方式，弄清楚其与其他优化算法的异同点。
2.针对不同优化问题（如函数优化、机器学习、组合优化等），探讨基因表达式编程算法的应用情况，比较其与其他算法的效果和优劣。
3.分析基因表达式编程算法在应用实践中可能存在的问题，总结出解决问题的有效方法和技术手段。
4.在多个实验案例中，以基因表达式编程算法为研究对象，探索其在求解实际问题中的性能表现和应用前景。
四、研究方法本课题依次采用以下研究方法：1.文献综述法，阅读国内外关于基因表达式编程算法的相关文献、出版物，对该算法的基本原理、研究进展和应用情况进行整理和分析。
2.理论研究法，对基因表达式编程算法进行理论建模和分析，深入研究其优点和不足之处，为其进一步优化提供理论基础。
3.仿真实验法，基于实际应用问题，运用基因表达式编程算法进行仿真试验，评估算法的优劣及适应性，同时发现算法处理实际问题时的问题和解决方案。
4.对比实验法，将基因表达式编程算法与其他优化算法进行对比试验，评估其相对优势和适用范围，为实际决策提供参考依据。
五、研究意义本课题的研究意义主要体现在以下几个方面：1.基于基因表达式编程算法的研究和应用，为其他遗传算法的发展提供了新的视角和思路，丰富了优化算法的研究领域和方法。
gep计算方法
GEP（Gene Expression Programming）是一种基于遗传算法的演化计算技术，用于解决复杂的符号回归问题。
它被设计用于模拟生物遗传和进化过程，并用于解决各种数学问题，如函数逼近、时间序列预测和分类等。
下面是关于 GEP 计算方法的详细解释：GEP 计算方法1.基本结构： GEP 通常包含基因表达式树（Gene Expression Tree）、基因组（Genome）、染色体（Chromosome）和一组基因。
它们模拟了生物体中的基因结构和表达方式。
2.初始化：初始种群是通过随机生成的基因组和基因表达式树来创建的。
这些树形结构是代表可能解决方案的表达式。
3.评估适应度：根据特定问题的适应度函数，评估每个个体的适应度，以确定哪些个体更适合解决特定问题。
4.选择和交叉：使用选择和交叉操作来产生下一代的种群。
这些操作模拟了生物进化过程中的自然选择和基因交叉。
5.突变：为了增加种群的多样性，随机引入突变操作，以改变个体的基因组，使其具有新的特征或表达式。
6.重复迭代：通过多代进化，种群中的个体不断进化和改进，以适应特定问题的要求。
最终，最适应的个体将被确定为最终解。
应用领域GEP 主要用于解决符号回归问题，包括但不限于：•函数逼近和符号回归问题•时间序列预测•分类和聚类分析•基于符号回归的机器学习问题优势和挑战GEP 的优势在于它可以自动发现非线性关系，并且对问题的建模能力很强。
然而，它可能受到维度灾难的影响，在处理高维数据时可能会遇到问题。
总的来说，GEP 是一种强大的计算方法，通过模拟生物进化过程来解决复杂的符号回归问题。
它在许多数学和机器学习领域中都有着广泛的应用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｋｅ ｏｄ ：ｄｔ ｍ ｎ ｇ ｅ ｎ ｘｒｓｉ ｒｇａ ｉｇ（ Ｅ ） ｒ ｉｅａ ａｉ ｙｗ ｒ ｓ ａａｉ ｉ ；Ｇ ｅＥ ｐｅｓ ｎＰｏｒ ｎ ｏ ｍｍ ｎ Ｇ Ｐ ；ｃ ｔ ｖｌ ｔ ｎ ｄ ｅ ｕ ｏ
０ 引 言
信用评估 是商业银 行控 制风 险的关键 技术 。 目前 ， 尚缺 乏一套有效 的个人信用 评估 方法 ， 阻碍 了个人 消费信贷 业务 进一步开展 。因此 ， 利用数据挖掘 的算法建立一个快速 、 高效
Ａｐｒ ２ ０７ ． ０
基 于 基 因表 达 式编 程 的信 用 评估 模 型挖 掘 方 法
吴 江 ， 常杰 段 唐 ， 磊 李 太 勇 ， （ ． 南财 经 大学 经 济信 息工程 学院 ， １西 四川 成都 ６０ ７ １０４； ２ 四 川大 学 计 算机 学 院 ， ． 四川 成 都 ６０ ６ ） １０ ４
Ｋ Ｎ Ｎ （Ｋ ＝１ ）ａｇｒｈ ７ ｌ ｏｔ ｉ ｍ， ｔ ｒｄｃｏ ｒｃ ｉ ｓｉ ｒａｅ ｙ３ ，１ ６ ａｄ ６ ８ ％ ｒ ｐｃ ｖｌ ｂ ｓ ｇ Ｇ Ｐ ｈ ｐｅｉ ｎ ｐｅｉｏ ｉ ｎ ｅ ｄ ｂ ％ ｅ ｉ ｔ ｓｎ ｃ ｓ ． ％ ｎ ． ３ ｅ ｅｔ ｅ ｙ ｕｉ Ｅ — ｓ ｉ ｙ ｎ
中图分类 号 ： Ｐ Ｉ ． ３ Ｔ ３ Ｉ １ 文献标 识码 ： Ａ
Ｍ Ｌ ｉ ｅｈ ｄ ｏ ｒ ｄ ｔｅ ａ ｕ ｔｏ ｍ ｏ ｌｂ ｓ ｄ ｏ ｅ ｘ ｒ ｓ ｉｎ ｐｒ ｇ ａ ｍ ｉ ｇ ｎ ｎｇ ｍ ｔ ｏ ｆｃ ｅ ｉ ｖ ｌ ａ ｉｎ ｄｅ ａ ｅ ｎ ｇ ｎｅ ｅ ｐ ｅ ｓｏ ｏ ｒ ｍ ｎ
ＷＵ Ｊ ｎ Biblioteka ，Ｔ Ｎ ｈｎ －ｅ，Ｄ Ａ ｅ ，Ｌ ａ—ｏｇｒ ｉ ｇ一 Ａ Ｇ Ｃ ａｇｊ Ｕ Ｎ Ｌ ｉ Ｉ ｉ ｎ ａ ｉ Ｔ ｙ
（．ｃｏｌｆＥ ｏｏ ｉ Ｉ ｏ ａｉ ｎｉ ｅ ｎ，Ｓｕｈ ｅ ｎ ｅ ｉ ｉ ｎｅａｄＥｏ ｍ ｃ ｈｎ ｄ ｉ ｕ ｎ６０ ７，Ｃ ｉ ； １Ｓｈｏ ｏ ｃｎｍ ｃ ｎ ｒ ｔ ｎＥ ｇｎ ｒ ｇ ｏｔｗｓ Ｕ ｉ ￣ｔ ｏ ｎ ｃ ｎ ｎ ｉ ，Ｃ ｅｇ ｕＳ ｈａ １０４ ｈ ａ ｆ ｍ ｏ ｅｉ ｔ ｖ ｙ ｆＦ ａ ｃ ｏ ｓ ｃ ｎ ２Ｓｈｏ ｏ ｏ ｐ ｔ ｉ ｃ，Ｓ ｈａ ｎ ｅ ｉ，Ｃ ｅｇ ｕＳ ｈａ １０５ ｈｎ ） ． ｏｌｆＣ ｍ ｕｅ Ｓ ｅ ｅ ｉ ｕｎ Ｕ ｉ ｒｔ ｈｎｄ ｉ ｕ ｎ６０６ ，Ｃ ／ ｃ ｒ ｎ ｃ ｃ ｖ ｓｙ ｃ ａ
（ ｕｉ ｇ ＳＳＵ ｅ ｕ ｃ ） ｗ ｊ ｎ ＠Ｃ．Ｃ ． ｄ ．ｎ ａ
摘 要 ： 出 了一种 基 于基 因表 达式 编 程 （ Ｅ 的信 用评估 模 型挖 掘 方 法 Ｇ Ｐ Ｃ Ｅ Ｉ 。该 方 提 Ｇ Ｐ） Ｅ —Ｒ ＤＴ 法基 于客 户信 贷数据 ， 用 Ｇ Ｐ算法 自动进 行属 性 筛选 ， 利 Ｅ 并进行 属性 融合 ， 此基 础 上 训练 和 建 立信 在
用评估模型。在德 国信用数据库真 实数据集上做的实验和性能分析表 明， 基于 Ｇ Ｐ的信 用评估模型 Ｅ 挖 掘方 法 较 Ｎ ｉｅＢ ｙｓ算 法 的预 测 精 度 提 高 了 ３ ； Ｓ Ｍ 算 法 的 预 测 精 度 提 高 了 １６ ； ａ ａｅ ＇ ｖ ％ 较 Ｖ ． ％ 较
Ｋ Ｎ（ ＝ １ ）算 法 的预 测 精度提 高 了 ６ ８％ 。 Ｎ Ｋ ７ ．３ 关 键词 ： 数据 挖掘 ； 因表 达 式编程 ； 用评估 基 信
Ｃ ＥＤＩ ，Ｗａ ｒｓ ｎ ｅ ． Ｔ ｅ ＧＥ — Ｒ ＤＩ ｄ ｅ ａ ｘ ｒｃ ｅ ａ ｖ ｔ ｉ ｕ ｉｎ ｎ ｕ ｅ ｔ ｅ ａ ｔ ｍａｉ ａｌ ． Ｂ ｅ ｎ Ｒ Ｔ ｓ ｐ ｅ ｅ ｔｄ ｈ ＰＣ Ｅ Ｔ ｍｏ ｌ Ｃ ｌ ｅ ｔａ ｔ ｒｌ ｔ ｅ ａ ｒ ｔ ｓ ａ ｄ ｆ ｓ ｈ ｍ ｕ ｏ ｔ ｌ ｌ ｉ ｔｂ ｏ ｃ ｙ ｓ ａｄ ｏ ｈ ｓ ｔｉｕｉ ｓ ｔｅ ｅ ａ ｒｂ ｔ ｎ ，ＧＥ — Ｒ ＤＩ ｄ ｅ ａ ａ ｎ ａ ｄ ｂ ｉ ｅｃ ｅ ｉ ｅ ａｕ ｔ ｎ ｍｏ ｅ．Ｅ ｐ ｒ ｎ ｓａ ｄ ｐ ｒ ｒ ｎ ｃ ａｙ ｉ ｏ ＰＣ Ｅ Ｔ ｍｏ ｌ ｎ ｔ ｉ ｎ ｕｌ ｔ ｒ ｄ ｔ ｖ ａｉ ｄ １ ｘ ｅ ｍｅ ｔ ｅ ｏ ｍａ ｅ ａ ｌ ｓｓ ｃ ｒ ｄｈ ｌ ｏ ｉ ｎ ｆ ｎ ｏ ｒ ａ ｙ ｃ ｅ ｉ ｄ ｔｂ ｅ ｗ ｒ ｖ ｎ Ｔ ｅ ｒ ｓ ｌ ｈ ｗ ａ ， ｏ ａ ｅ ｉ ａｖ ａ ｅ ｇ ｒ ｍ，Ｓ ｎ Ｇｅ ｎ ｒ ｄ ｔ ａａ ａ ｅ ｅ ｍ ｓ ｅ ． ｈ ｅ ｕｔ ｓ ｏ ｔ ｔ ｓ ｈ ｃ ｍｐ ｒ ｄ ｗ ｔ Ｎ ｉｅ Ｂ ｙ ｓ ａ ｏ ｔ ｈ ｌ ｉ ｈ ＶＭ ｇ ｒ ｍ， ｎ ｌ ｉ ａ ｏ ｔ ａ ｄ ｈ
维普资讯
第２ ７卷 第 ４期
２０ ０ ７年 ４月
文章编号 ：０ １ ９ ８ （ ０７ ０ ０ ７ ０ １０ — ０ １ ２ ０ ）４— ８７— ４
计 算机应 用
Ｃｏ ｕ ｅ ｐｌｃ ｔ ｎ ｍｐ ｔ ｒＡｐ ｉａ ｉ ｓ ｏ
Ｖ０ ． ７ Ｎｏ． １２ ４
Ａ ｓ ａ ｔ ｅ ｉ ｎ ｔｏ ｆ ｒｄｔ ｖｌａｉ ｏ ｅｂｓｄｏ ｅｅＥ ｐｅｓ ｎＰｏｒｒｎｎ （ Ｅ ） ｎｍｅ Ｅ — ｂｔ ｃ：Ａ ｎｗｍ ｎ ｇ ｈｄｏｃｅ ｉｅａ ｔ ｎｍ ｌ ａｅ ｎＧ ｎ ｘｒｓｉ ｒｇ ｍ ｉｇ Ｇ Ｐ ， ａ ｄＧ Ｐ ｒ ｉ ｍｅ ｕ ｏ ｄ ｏ ａ