摘要：研究目标:在大数据和互联网金融发展的背景下,依据个人信用,有效控制P2P项目的违约率以保证相关金融项目或平台的良好运营。研究方法:本文基于美国P2P平台Lending Club的海量真实交易数据,采用"多观测"与"多维度"两种数据清洗方式,运用2016年微软亚洲研究院提出的机器学习算法LightGBM,兼顾权威性和创新性地对平台内贷款项目的违约风险进行预测,并对不同数据清洗方法的结果进行比较。研究发现:基于多观测的LightGBM算法的预测结果最好,比Lending Club平台历史交易数据算的平均履约率提升了1.28个百分点,可减少约1.17亿美元的违约借款。研究创新:运用不同的数据清洗方式和较为前沿的机器学习算法(LightGBM)预测违约率。研究价值:在LightGBM算法得出违约率影响因素的结果基础上,可以明确Lending Club及广大P2P平台的改进内容和各国在该领域内发展完善的方向。

摘要：针对复合材料自动铺放的路径规划问题,提出了一种新的基于自由曲面构件纤维变刚度铺放的方法。根据角度线性变化方式设计了角度参数为>45°/0°<的空间铺放路径,采用空间等距法及正交投影法生成自由曲面芯模表面上的所有铺放路径,并保存成IGES格式,以获取路径数据信息。应用NURBS曲线拟合铺放路径,拟合结果表明,IGES格式不受芯模形状和边界条件的影响,减少了运算量。计算初次拟合后的铺放路径误差为δ(0.09、0.63、0.3 mm),进行节点细化后的误差减小到δ1(0.01、0.09、0.05 mm),从而提高了铺放头运动轨迹的精确度。应用铺放机器人系统对此路径规划算法进行仿真,得仿真偏差δ2(0.01、0.03、0.15 mm),偏差较小,符合铺放要求,表明所提出的方法可实现任意方向任意变角度的纤维曲线铺放,满足铺放工艺要求。