基于数据挖掘技术的建筑企业信用评价.pdf

第3 4 卷第4 期 2 0 0 5 年7 月 中国矿业大学学报 J o u r n a lo fC h i n aU n i v e r s i t yo fM i n i n g T e c h n o l o g y 文章编号1 0 0 0 1 9 6 4 2 0 0 5 0 4 0 4 9 4 0 6 V 0 1 ．3 4N O ．4 J u l ．2 0 0 5 基于数据挖掘技术的建筑企业信用评价 刘高军，朱 清华大学土木水利学院，北京 1 0 0 0 8 4 摘要针对传统方法的不足，分析了应用数据挖掘技术的建筑企业信用评价方法．采用L o g i s t i c ， 决策树和神经网络算法，从2 5 0 个建筑企业组成的学习样本中挖掘信用好或差的分类规则，从而 建立了3 个相应的信用评价模型．将所建立的模型用于评价检验样本中的4 6 个建筑企业，采用 混淆矩阵比较了各模型的评价表现．结果显示，L o g i s t i c ，决策树和神经网络模型的评价准确率分 别为8 7 ．0 ％，8 2 ．6 ％和8 2 ．6 ％，一致性结果的准确率达到9 1 ．7 ％，并且各模型在稳定性、敏感度 等方面具有不同特点．研究表明，数据挖掘技术是一种有效而准确的建筑企业信用评价方法，此 外，不同特点的数据挖掘模型为建筑业的信用评价提供了多种选择． 关键词数据挖掘；建筑企业；信用评价；模型 中图分类号T U7 2 3文献标识码A C r e d i tE v a l u a t i o no fC o n s t r u c t i o nC o m p a n i e sB a s e do nD a t aM i n i n g L I UG a o j u n 。Z H UY a n S c h o o lo fC i v i lE n g i n e e r i n g ，T s i n g h u aU n i v e r s i t y ，B e i j i n g1 0 0 0 8 4 ，C h i n a A b s t r a c t B e c a u s eo ft h es h o r t a g eo ft r a d i t i o n a lm e t h o d s ，d a t am i n i n gw a su s e dt oe v a l u a t et h e c r e d i t o fc o n s t r u c t i o n c o m p a n i e s ．L o g i s t i c ，d e c i s i o nt r e ea n dn e u r a l n e t w o r ka l g o r i t h m sw e r e e m p l o y e di nt h el e a r n i n gs a m p l ew i t h2 5 0c o n s t r u c t i o nc o m p a n i e st of i n dt h er u l e so fc l a s s i f y i n ga c o n s t r u c t i o nc o m p a n yt og o o do rb a dc r e d i t ，S Ot h r e ec r e d i te v a l u a t i n gm o d e l sw e r ee s t a b l i s h e dw i t h t h er u l e s ．T h e s em o d e l sw e r eu s e dt oe v a l u a t e4 6c o n s t r u c t i o nc o m p a n i e si nt h et e s t i n gs a m p l e ，a n d t h ep e r f o r m a n c e so ft h e s em o d e l sw e r ec o m p a r e db ym e a n so fc o n f u s i o nm a t r i x ．T h ec o m p a r i s o n i n d i c a t e st h a tt h ea c c u r a c yo fL o g i s t i c ，d e c i s i o nt r e ea n dn e u r a ln e t w o r ki s8 7 ．O ％，8 2 ．6 ％a n d8 2 ． 6 ％r e s p e c t i v e l y ，a n dt h ea c c u r a c yo fc o n s i s t e n tj u d g m e n to ft h et h r e em o d e l sr e a c h e s91 ．7 ％． F u r t h e r m o r e 。t h ec h a r a c t e r i s t i c ss u c ha ss t a b i l i t ya n ds e n s i t i v i t yo fe a c hm o d e lw e r ed i s c u s s e d ．T h e r e s u l t ss h o wt h a t d a t am i n i n gi Sa ne f f e c t i v ea n da c c u r a t em e t h o dt oe v a l u a t et h ec r e d i t o f c o n s t r u c t i o nc o m p a n i e s ，a n dt h em o d e l sw i t hd i f f e r e n tc h a r a c t e r i s t i c sp r o v i d ea l t e r n a t i v ec h o i c e sf o r t h ec r e d i te v a l u a t i o no fc o n s t r u c t i o nc o m p a n i e s ． K e yw o r d s d a t am i n i n g ；c o n s t r u c t i o nc o m p a n i e s ；c r e d i te v a l u a t i o n ；m o d e l 我国建筑业近几年出现了严重的信用危机，表 现为合同履约率低、质量安全状况差、违法违纪现 象突出、层层拖欠工程款等现象．政府已经启动了 全社会和建筑行业信用体系建设，试图通过多种途 径提高市场信用水平．对承包商的信用评价是建筑 行业信用体系的核心机制，不仅在微观层次上是项 目业主、担保、金融机构等市场主体选择承包商的 重要手段，而且在宏观上为政府部门进行市场整顿 和行业管理提供决策基础‘． 1建筑企业信用评价 1 ．1 传统评价方法的不足 建筑企业的信用是反映企业履行工程合同的 能力和主观意愿，以及遵守建筑市场相关法律、法 收稿8 期2 0 0 4 0 9 2 8 作者简介刘高军 1 9 7 8 一 ，男，四川省达州市人，博士研究生，从事建筑管理方面的研究 万方数据 第4 期刘高军等基于数据挖掘技术的建筑企业信用评价 4 9 5 规、行业制度的一项综合性指标．信用评价是一个 多指标的判别和分类问题，即用企业内部和外部的 各种属性变量去解释、分类、预测企业的信用水 平‘2 | ． 传统的评价思路是根据“5 C ”等信用要素人为 设定指标体系，然后运用主观或客观方法综合评 价．指标方法存在3 个主要问题1 指标和权值设 定具有先验性，实际情况中某项指标对信用的影响 作用可能与此并不一致；2 扭曲了信用指标与信 用水平之间的真实关系，指标方法大多是基于线性 方法，而实际上信用要素与信用水平更多的是非线 性以及关联关系，如资产负债率为6 0 ％的企业包 括了信用好坏的两类企业，只有将这项指标与其他 指标结合才能有效评判信用；3 评价结果绝对化， 从实际数据中发现许多指标类似的企业信用水平 大相径庭，这说明只能在一定支持度和置信度上去 评价信用． 1 ．2 数据挖掘的优势 数据挖掘是2 0 世纪9 0 年代后期人工智能和 数据库领域兴起的一种数据处理和知识发现 K D D 理论，是从大量的、不完全的、有噪声的、模 糊的和随机的实际应用数据中，提取隐含在其中的 信息和知识的过程，对样本进行分类和预测是数据 挖掘的主要功能[ 3 ] ．数据挖掘用于信用评价的优势 主要在于1 能处理和修正实际数据问题，算法模 型具有自检验能力，能更准确描述信用要素和信用 水平之间的关系特征；2 不先验地建立信用规则， 而是从实例数据中通过有监督学习去发现信用规 则，然后用这些规则去预测新交易的信用风险，更 符合解决问题的科学步骤． 在信用评价应用方面，数据挖掘技术主要用于 零售业、银行信贷、银行信用卡等领域的信用计分 模型中．以前由信用分析师根据某些规则进行主观 评价的方式已无法满足交易数据大量增加的要求， 数据挖掘模型能自动预测大部分交易的违约概率， 专业人员主要处理特殊的风险情况[ 2 ] ．在模型算法 方面，数据挖掘将传统的多重判别分析、回归统计 方法，以及决策树、神经网络、遗传算法、案例推理 等人工智能和模式识别技术单独或综合应用到信 用计分中[ 4 ] ．不同算法的评价准确性有所不同，从 文献E 5 3 中的统计显示统计模型和信用风险理论 模型的平均预测准确率为8 4 ％和8 5 ％，而人工智 能专家系统型的平均准确率为8 8 ％．由于数据挖 掘技术需要大量的历史交易数据支持，因此较少用 于企业之间 B 2 B 的商业信用评价．建筑业信用问 题是我国当前一个社会热点，但在国外并不突出， 因此对建筑企业的相关评价也一般采用常见的指 标方法[ 6 ] ．本文将数据挖掘技术运用于建筑企业的 信用评价中，挖掘建筑企业信用知识，并建立相应 的评价模型． 2实证研究 2 ．1跨行业数据挖掘过程标准 C R I S P D M 数据挖掘是一个多次反复处理过程，学术界和 产业界提出了多种过程参考模型，目前逐步由关注 数据处理转向以用户为中心，日趋重视目标问题的 解决而非技术实现．跨行业数据挖掘过程标准 C R I S P D M 是由多家国际机构联合开发的一个 数据挖掘过程模型，已在D a i m l e r B e n zA G 和 O H R A 的项目中进行了实际实践和验证，取得良 好的实际效果．它采用分层方法将一个数据挖掘项 目的生存周期定义为6 个阶段和4 个层次，其中6 个阶段包括商业目标理解、数据理解、数据准备、建 模、模型评价和发布实施[ 7 ] ． 本文采用C R I S P D M 过程标准进行建筑企业 信用数据挖掘．目标是发现有效区分不同信用水平 的隐含知识，转换为数据挖掘问题，即发现企业信 用属性 自变量 对信用水平 因变量 的分类规则， 然后建立评价模型用于新的预测．挖掘过程的重点 是数据的理解、预处理和模型的建立与评价． 2 ．2 实验数据和数据预处理 数据主要来自于建设部的“建筑市场监督管理 信息系统”数据库，分为企业状况、资质情况、机构 主要人员、代表工程业绩等1 2 个子系统，每个子系 统包含几十上百个不等的信息记录 如企业基本情 况包括1 0 8 个记录变量 ．还有部分数据来自于郑 州、青岛、天津等地的质量、安全监督部门和建筑业 协会的最新动态记录． 数据理解主要包括3 个方面 1 数据的质量观察．由于建设部和各地的信 息系统建设刚刚起步，因此数据质量较差．数据库 覆盖企业的各方面信息，但是有的信息与信用相关 性极小，而一般用于信用评价的财务指标比较缺 乏；另外，有遗漏、错误和不完备信息的样本比例很 高．尽管数据挖掘的某些算法理论上可以处理噪声 和不完备的信息，但是还是将有明显错误记录和遗 漏信息比例超过1 0 ％以上的样本予以删除．这样 虽然减少了样本总数，但保证了数据质量． 2 属性子集的选择．主要选取企业状况数据 库里的1 0 8 个指标，以及资质子数据库的主项资质 万方数据 中国矿业大学学报第3 4 卷 和增项资质、获奖和处罚子数据库情况里的记录信 息作为最初的特征属性． 3 样本子集的选择．数据库包括某地区所有 规模、类型的建筑施工企业，统一处理有失偏颇．因 此，将选择其中主项资质为总承包和民用建筑工程 的企业．最后从30 0 0 余个样本中选取2 9 6 个实验 样本． 数据预处理是整个数据挖掘项目的重要组成 部分，约占5 0 ％～9 0 ％的时间和精力，它实际上与 后面的模型计算和评价是一个反复进行的过程．这 个阶段首先利用最新动态信息补充一些样本的缺 失值，然后对其余样本的数据采用条件平均值法 C o n d i t i o n e dM e a nC o m p l e t e r 予以补齐． 对于属性指标的选取采用2 种方法 1 反复进行模型运算观察属性的重要性，并 结合对挖掘目标的理解决定属性的取舍，这样不断 去掉数据库中绝大部分变量，得到2 0 个以下特征 属性； 2 利用可视化工具建立数值型属性的散点 图、分布图和分类型属性的关联网络结点图，进行 冗余属性的删除、属性转换和新属性创建等预处 理．如根据建筑业总产值和工程结算收入之间的强 相关性只保留了后者；对企业主项资质等级、增项 资质、获奖和处罚记录等既可以设定为数值型属性 也可以设定为分类型属性的变量，根据可视化观察 和模型输出效果进行不同的设置；从建筑业总产值 与总资产的散点图看出，信用好的企业相对信用差 的企业整体偏向左上角，这预示着两者之比更能描 述信用水平的差异，因此创建一个新的属性产值 资产比 建筑业总产值／总资产．新属性的直方图 能更好地阐释这项指标与信用水平的关系，当产值 资产比小于1 ．2 ，则企业信用较差，产值资产比大 于3 ．8 的企业信用较好，介于其间的则好坏信用并 存，这说明信用评价是一个多指标问题，精确分类 只有依靠后面的模型计算． 最后得到1 6 个信用输入属性，其中1 4 个数值 型属性和2 个类别型属性． 2 ．3 实证研究设计 为了比较得到最佳模型，将2 9 6 个样本中2 5 0 个作为学习样本，其余的4 6 个作为检验样本，建立 了L o g i s t i c 回归、C 5 ．0 决策树和神经网络3 种有监 督学习模型．信用输出值一般由银行专业人员根据 违约记录，或某些评判原则主观分类[ 4 ] ，这里由熟 悉样本企业的行业主管部门人员和专家评定分为 两类，其中1 表示信用好 1 5 3 家，5 1 ．6 9 ％ ，0 表示 信用差 1 4 3 家，4 8 ．3 1 ％ ． 实验采用C l e m e n t i n e 数据挖掘软件，挖掘过 程及数据流如图1 所示． 总资产V 总产值6 属性网络图数据表 L o g i s t { c 分布C 5 ．o 决策树分布神经网络分布 模型评价 图I 数据挖掘过程数据流图 F i g ．1 D a t as t r e a mi nd a t am i n i n gp r o c e s s 2 ．4 模型算法 L o g i s t i c 是目前信用计分领域应用最普遍成熟 的一种模型，许多信用计分模型提供商的产品就采 用这种算法．它将某二分事件 违约 与自变量表示 为L o g i s t i c 曲线关系，假定违约对数发生比与信用 属性z i i 1 ，2 ，⋯，扎 服从线性关系 l o g [ p ／ 1 一p l 凤 p l z l 卢2 2 2 ⋯ f 1 ．x 。， 1 式中屈 i 1 ，2 ，⋯，珂 为信用属性的回归系数；信 用水平的违约率，则 万方数据 第4 期刘高军等基于数据挖掘技术的建筑企业信用评价 4 9 7 户 i ／[ i e x p [ - 一 p o 卢l X l 卢z z 2 ⋯ 凤z 。 ] ] ． 2 决策树是一种利用先验信息处理数据间非同 质关系的树型结构分类方法．它从树的根结点处开 始不断选取新的属性来区分样本，对每个属性的每 个值产生新的分支，直到一个结点上所有样本都区 分到某个类上．决策树算法的关键是选择节点的分 裂属性，一般采用使节点所含的信息熵最小的信息 增益度度量．实验采用C 5 ．0 算法，它是I D 3 和C 4 ． 5 算法的改进，能处理数值型和分类型变量． 神经网络在信用评价领域发展较快，并且具有 多种形式的网络结构和改进算法．神经网络模型的 隐层结构构造是其中关键而复杂的问题，相关文献 大多是多次试算取最佳方案，本文实验采用动态自 适应B P 网络模型的快速算法，能够使B P 网络自 动调节隐节点数，保证网络能将Ⅳ空间的一个连 续子集连续映射到R ”空间的前提下，尽量压缩中 间层隐节点单元，以达到提高学习效率的目的． 3 模型结果与评价 3 ．1 模型结果分析 3 ．1 ．1 L o g i s t i c 模型 L o g i s t i c 回归方程求解参数采用最大似然估计 法，因此通过似然函数值检验回归方程，由于似然 函数值是个极小的小数，一般取其自然对数再乘以 一2 检验，即一2 倍对数似然值 一2 L L 值．由表1 的 各项检验指标，可以看出模型整体和自变量因素的 解释作用都是十分显著的． 表1L o g i s t i c 模型梭验位 T a b l e1 V a l i d a t i n gc r i t e r i ao fL o g i s t i cr e g r e s s i o nm o d e l L o g i s t i c 模型可以直接得到违约对数发生比的 回归方程 ≥屈五 一0 ．4 2 2 1 * 增项资质一0 ．0 0 0 0 1 8 4 4 * 总 资产一0 ．5 2 3 4 * 产值资产比一0 ．0 0 0 0 0 4 5 0 5 * 结算 收入一0 ．0 0 2 5 4 8 * 收入增长率一0 ．0 4 7 1 5 * 职称人 员比- 0 ．0 4 0 1 7 * 生产率 o ．0 5 1 2 9 * 税前利润率一 0 ．0 8 2 2 7 * 净资产收益率一0 ．0 0 3 4 0 6 * 资本增值率 o ．0 3 0 8 1 * 资产负债率一0 ．0 1 1 2 5 * 负债流动比一 0 ．3 2 5 4 * 奖项 1 ．8 8 1 * 处罚 0 ．0 6 8 5 4 * [ 类型 g Y ] 一0 ．0 6 2 0 3 * [ 类型 j t - ] 一0 ．0 5 1 1 1 * [ 类型- - - - q t ] 一1 0 ．4 2 * [ 主项资质 o ] 1 ．0 4 6 * [ 主项资质 1 ] o ．3 0 2 9 * [ 主项资质 2 - ] 2 ．6 1 2 ， 式中数值型属性按照原数据库中单位取值，类别 型属性真值取1 ，反之取0 ．如0 ．0 6 8 5 4 * [ 类型 g y ] 中，国有企业 g y 的[ 类型_ - - g y ] 取1 ，集体企业 j t 及其他类型企业 q t 的[ 类型一g y ] 取0 ．然后 利用式 2 可以建立建筑企业违约预测模型，或者 多级别信用评价． 3 ．1 ．2 决策树模型 C 5 ．0 算法生成一个六层的决策树模型，也可 转换成简洁明了的信用判别“i f ．”t h e n ⋯”规则 表 4 ，这正体现了决策树模型的独特优势．样本数占 学习样本的比例大小说明了每条规则的支持度，而 准确率说明了规则的可信度．表2 中的规则都具有 较高的准确率，其中那些支持样本较多的规则可以 作为信用评价的强规则． 表2 决策树模型的信用评价规则 T a b l e2C r e d i te v a l u a t i o nr u l e so fd e c i s i o nt r e em o d e l 万方数据 4 9 8中国矿业大学学报第3 4 卷 3 ．1 ．3 神经网络模型 最终的神经网络模型结构为2 2 个输入节点、1 个3 结点的隐层和1 个输出结点．虽然神经网络的 计算过程是一个迭代、不可视的“黑箱”，最后生成 的模型也有一定随机性，但输入值权重解释了各属 性对信用的贡献作用．从各属性的相关重要性系数 表3 可以看出，资产负债率、产值资产比、劳动生 产率以及奖惩情况对信用水平影响较大，而总资 产、职称人员比、结算收入、资质等级和企业类型影 响较小． 表3 神经网络模型的一性重要性系数 T a b l e3C o n t r i b u t e si m p o r t a n c ef a c t o r s o fn e u r a ln e t w o r k 属性系数属性系数 资产负债率0 ．6 5 11 3 5 负债流动比0 ．2 8 71 6 3 产值资产比0 ．5 0 91 5 4 收入增长率0 ．2 3 54 4 8 生产率0 ．4 7 79 9 6增项资质0 ．2 1 21 3 4 处罚0 ．4 7 73 1 7类型0 ．1 7 34 3 4 奖项0 ．4 5 11 2 1主项资质0 ．1 3 84 8 9 资本增值率0 ．3 8 84 7 9结算收入0 ．1 3 77 9 5 税前利润率0 ．3 4 79 9 6职称人员比0 ．0 4 42 5 09 净资产收益率0 ．3 1 57 6 9总资产0 ．0 1 60 7 28 3 ．2 模型对比评价 3 ．2 ．1 准确性评价 准确性评价采用混淆矩阵进行对比 表4 ，可 以看出，对学习样本的检验，决策树模型的准确性 最高，达9 4 ．8 ％，其次是L o g i s t i c 模型和神经网络 模型．但预测检验样本时，决策树的准确率大幅降 低，其它两种模型比较稳定．各模型对实际信用好、 差样本的敏感度不同，其中L o g i s t i c 预测差信用的 准确率很高，但对实际差信用的敏感度略低，预测 好信用的准确率和对实际好信用判别的敏感度都 很高，决策树模型具有类似的特征．而神经网络模 型对信用好、差样本的预测准确率和实际敏感度都 较高，而且比较稳定．所有模型的总体准确率都在 8 0 ％以上，能有效用于实际的信用评价中． 此外，通过3 个模型的一致性判断建立一致性 模型能获得更高的准确率．学习样本中一致性结果 为2 0 0 个 8 0 ％一致率 ，准确率高达9 7 ．5 ％，验证 样本一致性结果为3 6 个 7 8 ．2 6 ％一致率 ，准确率 也达到9 1 ．7 ％． 表4 模型的评价准确率} E 较 T a b l e4E v a l u a t i o na c c u r a c i e so fD Mm o d e l s 3 ．2 ．2 应用评价 除了总体准确率，模型运算速度、稳定性、可理 解性等也是评价模型优劣的重要指标．本文的测试 数据较少，各模型运算速度几乎没有差别．但神经 网络模型的稳定性、可理解性明显差于决策树和 L o g i s t i c 模型．在实际应用中，R O C ，R O I ，G a i n ， R e s p o n s e 等曲线提供了不同目标的动态评价方 法[ 9 ] ．假设建设业主在资格预审中运用上述信用评 价模型甄选出信用好的企业进入招标阶段，可以用 3 个模型准确评价“信用一1 ”的响应率比较模型 响应率 分位数内准确评价样本数目／分位数内 样本总数 ．从图2 看出，神经网络和L o g i s t i c 模型 能较快挑出信用好的企业，但随着考察样本的增 加，L o g i s t i c 和神经网络模型的准确性先后下降，而 决策树模型响应率逐渐上升． 零 ＼ * 谨 霉 图23 个模型的响应曲线 F i g ．2 R e s p o n s ec h a r to ft h r e em o d e l s 4结论 实证研究表明数据挖掘模型能有效评价建筑 企业信用，而且准确率达到8 0 ％以上水平．在分析 样本中，L o g i s t i c 模型的检验准确率最高，其次为神 经网络和决策树模型，进一步的深入比较与实际应 2 7 7嬲虬02他仉98●孔9 6 6 6跎跎舵64增色o o6伯4 色8 3 O 6他盯跎O5加吼8，，埔3 豇8 3 7 O他％盯55 毖L8，，鸲，乳9 ％ ／ O 1 率确准 本样验检 万方数据 第4 期刘高军等基于数据挖掘技术的建筑企业信用评价4 9 9 用目的和学习样本数目有关，而采用3 个模型的一 E 4 ] A z i zMA ，D a rHA ．P r e d i c t i n gc o r p o r a t eb a n k r u 一 致性结果能取得更高的评价准确率．此外，本文研p t c y W h i t h e rd ow es t a n d [ - D B ／C D ] h t t p ／／w w w 究得到的L o g i s t i c 回归函数、决策树信用规则和神l b o r o a c u k ／d e p a r t m e n t s ／e c ／R e a s e a r c h p a p e r s ／2 0 0 4 ／ 经网络属性重要性系数等信用知识，为建筑企业违 D 。p a r t m e n t a l ％2 0 P 8 p 。。％2 0 A 2 i 。％2 0 8 n d ％2 0 D 8 ‘ 约率预测、多等级信用评价、以及信用管理提供了 E 5 - ] i 2 2 L 0 0 c 4 ．- 1 A 2 - 0 。u 2 ，．v 。vo f 。，。d i t 。n db 。h 。v i ∞。ls c 小 基础． i n g F o r e c a s t i n gf i n a n c i a lr i s k s 。fl e n d i n gt oc u s t o m e r s 参考文献 E J l I n t e r n a t i o n a lJ o u r n a lo fF o r e c a s t i n g ，2 0 0 0 1 6 1 4 9 1 7 2 ． E 1 3 L e e aTS ，C h i u bCC ，L u cCJ C r e d i ts c o r i n gu s i n g [ 6 1M a h d iIM ，R i l e yMJ ，F e r e i gSM ，e ta 1 ．Am u I t i t h eh y b r i dn e u r a ld i s c r i m i n a n tt e c h n i q u eE J ] ．E x p e r t c r i t e r i a a p p r o a c h t oc o n t r a c t o rs e l e c t i o n[ J ] ． S y s t e m sw i t hA p p l i c a t i o n s ’2 0 0 2 2 3 2 4 5 2 5 4 ． E n g i n e e r i n g ，C o n s t r u c t i o na n dA r c h i t e c t u r a lM a n a g e 一 [ 2 ] R o i g e rRJ ，G e a t zMW ．数据挖掘教程E M ] ．翁敬 m e n t ，2 0 0 2 9 2 9 3 7 ． 农，译．北京；清华大学出版社，2 0 0 3 ． [ 7 3L i uY ．T h ee v a l u a t i o no fc l a s s i f i c a t i o nm o d e l sf o rc r e - [ 3 ] C h y eKH ，C h i nTW ，P e n gGc C r e d i ts c o r i n g d i ts c o r i n g [ D B ／C D ] ．h t t p ／／w w w ．w i 2 ．w i s o ．u n i u s i n g d a t a m i n i n gt e c h n i q u e s [ J ] S i n g a p o r 8 g o c t t i n g e n ．d e ／g e t f i l e D a t e i l D 3 9 5 ，2 0 0 4 1 2 0 2 ． M a n a g e m e n tR e v i e w ，2 0 0 4 ，2 6 2 2 6 4 7 ． 责任编辑邓群 中国矿业大学学报 2 0 0 5 年第2 期被E i 收录论文 Ⅱ 论文题目第一作者 应用神经网络对精煤灰分含量进行实时预报⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯孙伟 平面应变含缺陷岩样变形破坏全过程数值模拟⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯王学滨 基于满意域和禁忌域的交互式遗传算法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯郝国生 隧道联络通道冻结位移场模型试验研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯岳丰田 绝热氧化法研究煤的自燃特性⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯陆伟 燃煤烟尘和机动车尾气中P A H s 分子化合物的稳定碳同位素研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯彭林 粉煤灰在结缕草草坪建植期杂草防除的试验研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯方玉东 基于遥感和G I S 的煤田火灾监测研究以宁夏汝箕沟煤田为例⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯陈云浩 基于V R M L G I S 的三维小区构建⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯杨永国 生物质与不同变质程度煤混合燃烧特性的研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯闵凡飞 小波零树编码算法的改进与实现⋯⋯⋯⋯⋯⋯”⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯陈豫 回转窑运行轴线动态测量方法及系统⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯黄 民 重介工艺悬浮液密度和液位的多变量模糊控制方法研究⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯孟凡芹 m 次积分C 一半群和相应抽象C a u c h y 问题的强解⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯胡 敏 摘自E n g i n e e r i n gV i l l a g e2 万方数据