-
公开(公告)号：CN111190735A
公开(公告)日：2020-05-22
申请号：CN201911392013.7
申请日：2019-12-30
Applicant: 湖南大学
Abstract: 本发明公开一种基于Linux的片上CPU/GPU流水化计算方法计算机系统，包括步骤：对任务按照流水线最大利用率进行重排序；在对所述缓存发起写请求任务完成后进行缓存刷新；在所述GPU计算核心空闲时，将所述任务中的所述并行计算型任务派发给所述GPU计算核心；在所述CPU计算核心空闲时，将所述任务中的所述串行、IO或者逻辑型任务派发给所述CPU计算核心；将任务数据规约到对应的发起CPU中，由CPU进行后续数据处理。从而使得片上异构多核计算系统同时兼顾CPU和GPU核心的不同计算特性并且能充分利用设备中各部分计算结构，具有性能高、计算利用率高的优点。
-
公开(公告)号：CN113362167A
公开(公告)日：2021-09-07
申请号：CN202110820804.6
申请日：2021-07-20
Applicant: 湖南大学
Abstract: 本发明公开了一种基于类边界的重采样集成学习模型的信用风险评估方法，包括：对训练集中的数据样本采用KNN分类算法对所述样本数据的进行分类，将所述训练集的中数据样本划分为类边界样本集与非边界样本集；分别把类边界样本集与非边界样本集的多数类与少数类分开，设置k个不同的百分比，每次分别从边界样本集和非边界样本集中分别随机抽取多数类与少数类，进行合并成k个不平衡集，根据不平衡集的不平衡比，用CTGAN来生成少数类使训练集平衡；用Bagging集成学习k个平衡样本集，用投票法表决最终结果。本发明解决了现有信用风险评估中因为数据类别不平衡导致的少数类用户的预测的准确率低问题。
-
公开(公告)号：CN111190735B
公开(公告)日：2024-02-23
申请号：CN201911392013.7
申请日：2019-12-30
Applicant: 湖南大学
Abstract: 本发明公开一种基于Linux的片上CPU/GPU流水化计算方法计算机系统，包括步骤：对任务按照流水线最大利用率进行重排序；在对所述缓存发起写请求任务完成后进行缓存刷新；在所述GPU计算核心空闲时，将所述任务中的所述并行计算型任务派发给所述GPU计算核心；在所述CPU计算核心空闲时，将所述任务中的所述串行、IO或者逻辑型任务派发给所述CPU计算核心；将任务数据规约到对应的发起CPU中，由CPU进行后续数据处理。从而使得片上异构多核计算系统同时兼顾CPU和GPU核心的不同计算特性并且能充分利用设备中各部分计算结构，具有性能高、计算利用率高的优点。
-
公开(公告)号：CN113362167B
公开(公告)日：2023-08-25
申请号：CN202110820804.6
申请日：2021-07-20
Applicant: 湖南大学
IPC: G06Q40/03 , G06F18/2413
Abstract: 本发明公开了一种基于类边界的重采样集成学习模型的信用风险评估方法，包括：对训练集中的数据样本采用KNN分类算法对所述样本数据的进行分类，将所述训练集的中数据样本划分为类边界样本集与非边界样本集；分别把类边界样本集与非边界样本集的多数类与少数类分开，设置k个不同的百分比，每次分别从边界样本集和非边界样本集中分别随机抽取多数类与少数类，进行合并成k个不平衡集，根据不平衡集的不平衡比，用CTGAN来生成少数类使训练集平衡；用Bagging集成学习k个平衡样本集，用投票法表决最终结果。本发明解决了现有信用风险评估中因为数据类别不平衡导致的少数类用户的预测的准确率低问题。
-
Patent Agency Ranking
公开(公告)号：CN112541536A
公开(公告)日：2021-03-23
申请号：CN202011427138.1
申请日：2020-12-09
Abstract: 本发明提供用于信用评分的欠采样分类集成方法、设备及存储介质。包括步骤：获取用户训练集，将训练集中的样本数据分为多数类数据集与少数类数据集；利用欠采样算法从多数类数据集中随机欠采样出k个多数类数据子集，每个多数类数据子集包含n个第一数据样本的多数类数据子集，每次欠采样剩下的m‑n个第一数据样本形成k个纯多数类数据子集；将k个多数类数据子集与少数类数据集中的第二数据样本混合形成k个平衡数据子集；利用k个平衡数据子集学习出k个CART树二分类基分类器；利用k个纯多数类数据子集学习出k个OneClassSVM一分类基分类器；通过bagging算法集成基分类器输出最终结果。本发明解决信用评分中数据不平衡问题，充分利用数据样本提高分类性能。
-
公开(公告)号：CN111062444B
公开(公告)日：2023-12-08
申请号：CN201911331410.3
申请日：2019-12-21
Applicant: 湖南大学
IPC: G06Q40/03 , G06F18/23 , G06F18/24 , G06F18/214 , G06F18/21
Abstract: 本发明公开了一种信用风险预测方法、系统、终端及存储介质，方法包括：采用已发生还款行为的用户的信息对待训练的信用风险预测模型进行训练，获得初步训练的信用风险预测模型；采用初步训练的信用风险预测模型对贷款审核未通过的用户的信用风险等级进行预测，获得贷款审核未通过的用户的信用风险预测等级；将已发生还款行为用户的用户信息和对应的实际信用风险等级以及贷款审核未通过的用户的用户信息和对应的信用风险预测等级，对初步训练的信用风险预测模型进行训练，获得最终的信用分析预测模型。本发明解决了现有信用评分模型中对对用户的信用风险的进行预测的准确率低问题。
-
公开(公告)号：CN112766451A
公开(公告)日：2021-05-07
申请号：CN202011571296.4
申请日：2020-12-27
Abstract: 本发明提供一种用于信用评估特征选择的启发式算法，算法基于SSA算法生成随机蜘蛛种群，利用OBL策略计算蜘蛛种群的相反解，并选择最适解形成OBL种群数量，随机生成的蜘蛛种群和OBL蜘蛛种群进行算法迭代，计算蜘蛛个体的适应度值和振动值，利用局部搜索算法LSA选择最优解个体，未选择的个体将进入下一轮迭代，迭代结束后输出LSA选择的所有最优解，形成最佳解集。本发明目的在于通过机器学习本发明中的算法代替了传统的人工特征筛选，提高了特征筛选的效率；与一般启发式算法相比，本发明中算法加入OBL策略，显著提升了空间覆盖率和算法的稳定性；本发明中的算法引入了适用于P2P领域的LSA算法架构，提升了特征筛选的准确率与模型匹配度。
-
公开(公告)号：CN111080442A
公开(公告)日：2020-04-28
申请号：CN201911331416.0
申请日：2019-12-21
Applicant: 湖南大学
Abstract: 本发明提供了一种信用评分模型的构建方法、装置、设备及存储介质，其中该构建方法包括：将原始不平衡信用数据集划分为训练集和验证集；所述原始不平衡信用数据集内的多个数据样本包括多个用户的信用信息，所述多个数据样本与所述多个用户一一对应；将所述训练集内的数据样本分为多数类训练样本和少数类训练样本；利用无监督聚类算法对所述多数类训练样本进行聚类，生成多个样本簇；根据所述多个样本簇和所述少数类训练样本，得到预设数量的平衡训练子集；根据得到的平衡训练子集、所述验证集以及预设决策树基分类器，构建信用评分模型。本发明能提升信用评分模型的分类性能。
-
公开(公告)号：CN111062444A
公开(公告)日：2020-04-24
申请号：CN201911331410.3
申请日：2019-12-21
Applicant: 湖南大学
Abstract: 本发明公开了一种信用风险预测方法、系统、终端及存储介质，方法包括：采用已发生还款行为的用户的信息对待训练的信用风险预测模型进行训练，获得初步训练的信用风险预测模型；采用初步训练的信用风险预测模型对贷款审核未通过的用户的信用风险等级进行预测，获得贷款审核未通过的用户的信用风险预测等级；将已发生还款行为用户的用户信息和对应的实际信用风险等级以及贷款审核未通过的用户的用户信息和对应的信用风险预测等级，对初步训练的信用风险预测模型进行训练，获得最终的信用分析预测模型。本发明解决了现有信用评分模型中对对用户的信用风险的进行预测的准确率低问题。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.018 seconds)
