一種面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模型的制作方法
【專利摘要】一種面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模型，根據(jù)數(shù)據(jù)集中的維度確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，數(shù)據(jù)輸入并預(yù)處理具有一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層的前向神經(jīng)網(wǎng)絡(luò)，可以以任意精度逼近任意一個(gè)非線性函數(shù)，得出PSO?BP算法的分類結(jié)果，然后使用模糊綜合權(quán)重算法計(jì)算出根據(jù)專家經(jīng)驗(yàn)得出的分類結(jié)果，最后使用模糊綜合權(quán)重算法得出的結(jié)果去優(yōu)化PSO?BP算法得出的結(jié)果，由此得出最終的分類結(jié)果。將機(jī)器學(xué)習(xí)算法和傳統(tǒng)的數(shù)學(xué)建模算法結(jié)合起來(lái)，擺脫了兩種算法的缺點(diǎn)，機(jī)器學(xué)習(xí)算法在分類時(shí)出現(xiàn)類別不均等問(wèn)題，傳統(tǒng)數(shù)學(xué)建模算法太過(guò)依賴專家的經(jīng)驗(yàn)水平，而新的人機(jī)結(jié)合模型能夠很好的解決了以上兩種算法存在的問(wèn)題。
【專利說(shuō)明】
一種面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模型
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及中小企業(yè)信貸評(píng)估技術(shù)領(lǐng)域，具體為一種面向中小企業(yè)的人機(jī)結(jié)合信 貸評(píng)估新模型。
【背景技術(shù)】
[0002] 目前，由于中小企業(yè)對(duì)國(guó)家的經(jīng)濟(jì)發(fā)展起到舉足輕重的作用，中小企業(yè)的發(fā)展越 來(lái)越被社會(huì)和國(guó)家重視，然而，在面對(duì)國(guó)企大型上市公司，中小企業(yè)難從商業(yè)銀行獲得生存 資金的貸款，目前在我國(guó)對(duì)于中小企業(yè)的貸款還停留在政策性貸款階段，并沒(méi)有在國(guó)內(nèi)實(shí) 現(xiàn)商業(yè)化大規(guī)模運(yùn)作。直到被互聯(lián)網(wǎng)金融熱潮包圍的今天，不論是從國(guó)家政策層面還是從 社會(huì)環(huán)境上都能給中小企業(yè)的發(fā)展帶來(lái)很大的機(jī)遇。
[0003] 實(shí)際上，中小企業(yè)信用評(píng)估的研究一直受國(guó)內(nèi)外學(xué)者的關(guān)注。有的學(xué)者使用定量 的基于數(shù)據(jù)的人工智能方法對(duì)中小企業(yè)進(jìn)行信貸信用評(píng)估，也有用定性的基于數(shù)學(xué)建模優(yōu) 化方法去對(duì)中小企業(yè)信貸信用進(jìn)行評(píng)估。文獻(xiàn)l"Liu C，Xia X.The Credit Rating of Small and Medium Enterprises Based on Neural Network[C]//Information Engineering and Electronic Commerce(IEEC),2010 2nd International Symposium on · IEEE，2010 ·"提出一種粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型，并且使用matlab進(jìn)行仿真， 使得該模型在中小企業(yè)信用評(píng)估中比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型更加有效準(zhǔn)確。文獻(xiàn)2"Wang Η L. Credit Assessment for Listed Companies Based On GA-BP Mode 1[C] .2010International Conference on E-Health Networking.2010."通過(guò)引入修正的連接 權(quán)重值的遺傳算法建立BP神經(jīng)網(wǎng)絡(luò)模型，并選取2004年到2007年80家上市公司作為樣本， 而且還構(gòu)建了一個(gè)上市公司的信用評(píng)估財(cái)務(wù)指標(biāo)體系，實(shí)驗(yàn)表明該模型具有較高的準(zhǔn)確 性。文南犬3"S.Zhu，X.Song，Y.Cao.Based on Multi-objective Fuzzy Decision Model to Study Tech Micro Enterprise Financing Credit Risk Evaluation System[C]// International Conference on Intelligent Transportation，Big Data and Smart City. IEEE，2015是基于模糊聚類模型，以等級(jí)評(píng)分法對(duì)高新技術(shù)中小企業(yè)融資信用風(fēng)險(xiǎn) 進(jìn)行了評(píng)估，根據(jù)計(jì)算所得到的權(quán)重值的指標(biāo)權(quán)重，進(jìn)行結(jié)果的分析，其根據(jù)高新技術(shù)中小 企業(yè)的特點(diǎn)，確定層次指標(biāo)，并且細(xì)化二級(jí)指標(biāo)，最終得到模糊評(píng)價(jià)的結(jié)果。文獻(xiàn)4 "Hsien-Chang Kuo,Lie-Huey ffang,Her-Jiun Sheu,et al.Credit Evaluation for Small and Medium-sized Enterprises by the Examination of Firm-specific Financial Ratios and Non-financial Variables:Evidence from Taiwan[J].Review of Pacific Basin Financial Markets&Policies,2011,06(01): 122-125." 中對(duì)臺(tái)灣地區(qū)的中小企業(yè)信用評(píng) 估時(shí)引入了非財(cái)務(wù)變量，改變了以往單一的使用財(cái)務(wù)數(shù)據(jù)進(jìn)行中小企業(yè)的信用評(píng)估。文獻(xiàn)5 "Zhang Y，Ji ff G,ffang Y N.Modeling the credit risk for China's small and medium-sized enterprises[C].Emergency Management and Management Sciences (ICEMMS) ,2011 2nd IEEE International Conference on. IEEE,2011."指出新巴塞爾協(xié) 議強(qiáng)調(diào)中小企業(yè)貸款組合信用風(fēng)險(xiǎn)模型的必要性，最后提出eDplains模型來(lái)解決銀行和中 小企業(yè)之間的信貸風(fēng)險(xiǎn)問(wèn)題。文獻(xiàn)6"Hongli，Junchen.The credit rating of small and medium-sized enterprises based on the grey hierarchy evaluation model[C]// Information Science and Engineering(IClSE),20102nd International Conference on. 2010."中認(rèn)為中小企業(yè)信用評(píng)估只能得到不完全的具有非常高的灰色信息，這是由于 評(píng)估的過(guò)程是由專家的知識(shí)、經(jīng)驗(yàn)和偏好等因素所影響，灰色層次評(píng)價(jià)模型能夠針對(duì)這些 問(wèn)題進(jìn)行很好的處理，為此，我們提出一種面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模型。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模型，以解決上 述【背景技術(shù)】中提出的問(wèn)題。
[0005] 為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案:一種面向中小企業(yè)的人機(jī)結(jié)合信貸 評(píng)估新模型，包括以下步驟：
[0006] S1:初始化PS0算法的慣性因子、學(xué)習(xí)因子C1、學(xué)習(xí)因子C2、種群規(guī)模、最大迭代次 數(shù)、粒子的位置和粒子的速度；
[0007] S2:根據(jù)數(shù)據(jù)集中的維度確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的 粒子群映射，數(shù)據(jù)輸入并預(yù)處理具有一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層的前向神經(jīng)網(wǎng) 絡(luò)，可以以任意精度逼近任意一個(gè)非線性函數(shù)，因此，構(gòu)造一個(gè)3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)；
[0008] S3:使用步驟S2中的BP神經(jīng)進(jìn)行一次訓(xùn)練，計(jì)算m個(gè)訓(xùn)練樣本的訓(xùn)練誤差EjPn2個(gè) 檢驗(yàn)樣本的檢驗(yàn)誤差E 2，在PS0-BP算法中，BP網(wǎng)絡(luò)的權(quán)值和閾值更新公式為：
[0009] ffkj(t+l)=ffkj(t)+a5kHj (1)
[0010] 上式中，氏為隱層的輸出，Wkj(t)為隱含層節(jié)點(diǎn)j到輸出層節(jié)點(diǎn)k的連接權(quán)值，a為學(xué) 習(xí)參數(shù)，一般為0.1~0.9，s k為輸出層節(jié)點(diǎn)k的誤差信號(hào)，誤差計(jì)算公式為：
[0011] 5k=(Tk-0k)0k(l-0k) (2)
[0012] Tk為輸出節(jié)點(diǎn)k的期望輸出值，0k為實(shí)際輸出值，0k計(jì)算公式如下：
[0014]其中，s為隱含層節(jié)點(diǎn)個(gè)數(shù)，隱含層輸出計(jì)算公式為：
[0016] ffji(t+l)=ffji(t)+a〇jIi (5)
[0017]上式中，為輸入層節(jié)點(diǎn)i到隱含層節(jié)點(diǎn)j的連接權(quán)值，為輸入層節(jié)點(diǎn)i輸入的 值，力為隱含層節(jié)點(diǎn)j的誤差信號(hào)，誤差計(jì)算公式為：
[0020] 上式中，9k為輸出節(jié)點(diǎn)k的閾值，β為學(xué)習(xí)參數(shù)，一般為0.1~0.9，
[0021] 0j(t+l) = 9j(t)+P〇j (8)
[0022] 上式中，Θ溈隱含層節(jié)點(diǎn)j的閾值，所示

[0025] 上式中，ηι和Π 2分別為訓(xùn)練樣本個(gè)數(shù)和檢驗(yàn)樣本個(gè)數(shù)；OpjPK分別為訓(xùn)練樣本pi 的網(wǎng)絡(luò)輸出和期望輸出值，apjPA*別為檢驗(yàn)樣本p2的網(wǎng)絡(luò)輸出和期望輸出；
[0026] S4:將網(wǎng)絡(luò)的權(quán)值看作PS0算法中粒子的速度，相繼兩次權(quán)值的改變視為粒子的速 度的改變，找出最小檢驗(yàn)誤差E2時(shí)的網(wǎng)絡(luò)權(quán)值，也即最佳適應(yīng)值，PS0算法中對(duì)自身速度和 位置更新的公式為：
[0029]其中，w為慣性權(quán)值，C1、C2為表示學(xué)習(xí)因子的常數(shù)，rld、r 2d為[0，1]中的隨機(jī)數(shù)，k為 迭代次數(shù)；
[0030] S5:每訓(xùn)練完一遍，綜合考慮BP和PS0的共同效果，即將BP網(wǎng)絡(luò)權(quán)值調(diào)整公式加上 權(quán)值的改變量；
[0031] S6:重復(fù)進(jìn)行以上尋優(yōu)操作，更新粒子的速度和位置。停止條件是當(dāng)達(dá)到最大指定 進(jìn)化次數(shù)時(shí)，此時(shí)可以得到全局最優(yōu)粒子位置將被映射到初始神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值訓(xùn)練 神經(jīng)網(wǎng)絡(luò)；
[0032] S7:將步驟S6中得出的優(yōu)化結(jié)果賦給BP，進(jìn)行設(shè)定次數(shù)的訓(xùn)練，得到一次分類結(jié) 果；
[0033] S8:根據(jù)信息熵和層次分析法求出綜合權(quán)重％在信息熵法中，假設(shè)有η個(gè)中小企業(yè) 貸款客戶，評(píng)價(jià)準(zhǔn)則為C= {Ci | i = 1，2，. . .，η}，則熵權(quán)可以定義為：
[0036] Gj=1-Sj (15)
[0037] 總結(jié)以上得到的各準(zhǔn)則的信息熵權(quán)重為：
[0039]層次分析結(jié)構(gòu)分為目標(biāo)層A，準(zhǔn)則層Bk，方案層Cn，目標(biāo)層只有一個(gè)，準(zhǔn)則層有k個(gè)項(xiàng) 目，方案層有η個(gè)項(xiàng)，根據(jù)以上我們可以求出B層的特征向量W，首先我們先計(jì)算每一行元素 的乘積Mi，求其η次方根％，有下式：
[0040] (17)
[0041] 將W ...元:]做正規(guī)化處理得：
[0043] 則W=[Wi W2. . .Wn；T就是所求的特征向量，計(jì)算矩陣的最大特征向量Amax并進(jìn)行一 致性檢驗(yàn)，
[0047] 同理求出C層權(quán)重向量矩陣，得到ΑΗΡ權(quán)重為：
[0048] ffAHP = Riff (22)
[0049] 由以上（16)式和(22)式可得到綜合權(quán)重：
[0051] S9:使用改進(jìn)的模糊處理法，求得每個(gè)中小企業(yè)的信用值E，中小企業(yè)信貸評(píng)估中 存在一定的模糊不定性，在以上二級(jí)指標(biāo)的綜合權(quán)重計(jì)算出后，通過(guò)模糊處理的方法求得 每個(gè)中小企業(yè)的信用值。模糊數(shù)學(xué)思想引入后，使用定量處理后，需要評(píng)估中小企業(yè)提供的 數(shù)據(jù)來(lái)構(gòu)成矩陣Rj，取代傳統(tǒng)專家評(píng)定法中的專家評(píng)價(jià)矩陣R，得出計(jì)算公式如下：
[0052] Ej = RjXffj (24)
[0053] S10:使用如下優(yōu)化準(zhǔn)則來(lái)進(jìn)行兩次結(jié)果的優(yōu)化：
[0054] 1)如果Ea>Eb，且在PS0-BP中A為壞企業(yè)，B為好企業(yè)，則將A也重新列為好企業(yè)；
[0055] 2)如果Ea〈Eb，且在PS0-BP中A為好企業(yè)，B為壞企業(yè)，則將A也重新列為壞企業(yè)；
[0056] S11:綜合以上得出最終的優(yōu)化結(jié)果，給出中小企業(yè)信貸信用評(píng)估結(jié)果。
[0057]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模 型，將機(jī)器學(xué)習(xí)算法和傳統(tǒng)的數(shù)學(xué)建模算法結(jié)合起來(lái)，擺脫了兩種算法的缺點(diǎn)，機(jī)器學(xué)習(xí)算 法在分類時(shí)出現(xiàn)類別不均等問(wèn)題，傳統(tǒng)數(shù)學(xué)建模算法太過(guò)依賴專家的經(jīng)驗(yàn)水平，而新的人 機(jī)結(jié)合模型能夠很好的解決了以上兩種算法存在的問(wèn)題。
【附圖說(shuō)明】
[0058]圖1為本發(fā)明的面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模型的流程圖；
[0059 ]圖2為本發(fā)明的PS0-BP算法適應(yīng)度曲線圖。
【具體實(shí)施方式】
[0060]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；?本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0061 ]請(qǐng)參閱圖1-2，本發(fā)明提供一種技術(shù)方案:一種面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估 新模型，包括以下步驟：
[0062] S1:初始化PS0算法的慣性因子、學(xué)習(xí)因子C1、學(xué)習(xí)因子c2、種群規(guī)模、最大迭代次 數(shù)、粒子的位置和粒子的速度；
[0063] S2:根據(jù)數(shù)據(jù)集中的維度確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的 粒子群映射，數(shù)據(jù)輸入并預(yù)處理具有一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層的前向神經(jīng)網(wǎng) 絡(luò)，可以以任意精度逼近任意一個(gè)非線性函數(shù)，因此，構(gòu)造一個(gè)3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)；
[0064] S3:使用步驟S2中的BP神經(jīng)進(jìn)行一次訓(xùn)練，計(jì)算m個(gè)訓(xùn)練樣本的訓(xùn)練誤差EjPn2個(gè) 檢驗(yàn)樣本的檢驗(yàn)誤差E2，在PS0-BP算法中，BP網(wǎng)絡(luò)的權(quán)值和閾值更新公式為：
[0065] Wkj(t+l)=ffkj(t)+a5kHj (1)
[0066] 上式中，氏為隱層的輸出，Wkj(t)為隱含層節(jié)點(diǎn)j到輸出層節(jié)點(diǎn)k的連接權(quán)值，a為學(xué) 習(xí)參數(shù)，一般為0.1~0.9，s k為輸出層節(jié)點(diǎn)k的誤差信號(hào)，誤差計(jì)算公式為：
[0067] 5k=(Tk-0k)0k(l-0k) (2)
[0068] Tk為輸出節(jié)點(diǎn)k的期望輸出值，Ok為實(shí)際輸出值，Ok計(jì)算公式如下：
[0070]其中，s為隱含層節(jié)點(diǎn)個(gè)數(shù)，隱含層輸出計(jì)算公式為：
[0072] ffji(t+l)=ffji(t)+a〇jIi (5)
[0073] 上式中，為輸入層節(jié)點(diǎn)i到隱含層節(jié)點(diǎn)j的連接權(quán)值，為輸入層節(jié)點(diǎn)i輸入的 值，力為隱含層節(jié)點(diǎn)j的誤差信號(hào)，誤差計(jì)算公式為：
[0075] 0k(t+l) = 0k(t)+05k (7)
[0076] 上式中，0k為輸出節(jié)點(diǎn)k的閾值，β為學(xué)習(xí)參數(shù)，一般為0.1~0.9，
[0077] 0j(t+l) = 0j(t)+e〇j (8)
[0078] 上式中，Θ溈隱含層節(jié)點(diǎn)j的閾值，所示
[0081] 上式中，m和m分別為訓(xùn)練樣本個(gè)數(shù)和檢驗(yàn)樣本個(gè)數(shù);0pdPTp,分別為訓(xùn)練樣本pi 的網(wǎng)絡(luò)輸出和期望輸出值，0?和1分別為檢驗(yàn)樣本p2的網(wǎng)絡(luò)輸出和期望輸出；
[0082] S4:將網(wǎng)絡(luò)的權(quán)值看作PS0算法中粒子的速度，相繼兩次權(quán)值的改變視為粒子的速 度的改變，找出最小檢驗(yàn)誤差E2時(shí)的網(wǎng)絡(luò)權(quán)值，也即最佳適應(yīng)值，PS0算法中對(duì)自身速度和 位置更新的公式為：
[0085]其中，w為慣性權(quán)值，ci、C2為表不學(xué)習(xí)因子的常數(shù)，rid、r2d為[0,1]中的隨機(jī)數(shù)，k為 迭代次數(shù)；
[0086] S5:每訓(xùn)練完一遍，綜合考慮BP和PS0的共同效果，即將BP網(wǎng)絡(luò)權(quán)值調(diào)整公式加上 權(quán)值的改變量；
[0087] S6:重復(fù)進(jìn)行以上尋優(yōu)操作，更新粒子的速度和位置。停止條件是當(dāng)達(dá)到最大指定 進(jìn)化次數(shù)時(shí)，此時(shí)可以得到全局最優(yōu)粒子位置將被映射到初始神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值訓(xùn)練 神經(jīng)網(wǎng)絡(luò)；
[0088] S7:將步驟S6中得出的優(yōu)化結(jié)果賦給BP，進(jìn)行設(shè)定次數(shù)的訓(xùn)練，得到一次分類結(jié) 果；
[0089] S8:根據(jù)信息熵和層次分析法求出綜合權(quán)重％在信息熵法中，假設(shè)有η個(gè)中小企業(yè) 貸款客戶，評(píng)價(jià)準(zhǔn)則為C= {Ci | i = 1，2，. . .，η}，則熵權(quán)可以定義為：
[0092] Gj=1-Sj (15)
[0093] 總結(jié)以上得到的各準(zhǔn)則的信息熵權(quán)重為：
[0095] 層次分析結(jié)構(gòu)分為目標(biāo)層A，準(zhǔn)則層Bk，方案層Cn，目標(biāo)層只有一個(gè)，準(zhǔn)則層有k個(gè)項(xiàng) 目，方案層有η個(gè)項(xiàng)，根據(jù)以上我們可以求出B層的特征向量#，首先我們先計(jì)算每一行元素 的乘積Mi，求其η次方根％，有下式：
[0096] W,= Φ^ι (17)
[0097] 將％ =阮Ε 元：丨做正規(guī)化處理得：
[0099] 則W=[Wi W2. . .Wn；T就是所求的特征向量，計(jì)算矩陣的最大特征向量Amax并進(jìn)行一 致性檢驗(yàn)，
[0103] 同理求出C層權(quán)重向量矩陣，得到ΑΗΡ權(quán)重為：
[0104] ffAHP = Riff (22)
[0105] 由以上（16)式和(22)式可得到綜合權(quán)重：
[0107] S9:使用改進(jìn)的模糊處理法，求得每個(gè)中小企業(yè)的信用值E，中小企業(yè)信貸評(píng)估中 存在一定的模糊不定性，在以上二級(jí)指標(biāo)的綜合權(quán)重計(jì)算出后，通過(guò)模糊處理的方法求得 每個(gè)中小企業(yè)的信用值。模糊數(shù)學(xué)思想引入后，使用定量處理后，需要評(píng)估中小企業(yè)提供的 數(shù)據(jù)來(lái)構(gòu)成矩陣Rj，取代傳統(tǒng)專家評(píng)定法中的專家評(píng)價(jià)矩陣R，得出計(jì)算公式如下：
[0108] Ej = RjXffj (24)
[0109] S10:使用如下優(yōu)化準(zhǔn)則來(lái)進(jìn)行兩次結(jié)果的優(yōu)化：
[0110] 1)如果Ea>Eb，且在PS0-BP中A為壞企業(yè)，B為好企業(yè)，則將A也重新列為好企業(yè)；
[0111] 2)如果Ea〈Eb，且在PS0-BP中A為好企業(yè)，B為壞企業(yè)，則將A也重新列為壞企業(yè)；
[0112] S11:綜合以上得出最終的優(yōu)化結(jié)果，給出中小企業(yè)信貸信用評(píng)估結(jié)果。
[0113] 鑒于對(duì)算法魯棒性的考慮，在獲取的原有數(shù)據(jù)中使用三倍標(biāo)準(zhǔn)差檢驗(yàn)法對(duì)異常數(shù) 據(jù)進(jìn)行有效剔除，得到原始數(shù)據(jù)。原始數(shù)據(jù)集一共有32個(gè)屬性，通過(guò)參閱文獻(xiàn)和相關(guān)資料以 及四大國(guó)有銀行的信用貸款指標(biāo)體系，使用Best first search特征搜索算法與CFS評(píng)價(jià)函 數(shù)找出最優(yōu)特征子集，從而將32個(gè)屬性根據(jù)行業(yè)狀況、財(cái)務(wù)風(fēng)險(xiǎn)、非財(cái)務(wù)風(fēng)險(xiǎn)、和履約情況 來(lái)精簡(jiǎn)到14個(gè)屬性。首次考慮了國(guó)家政策層面和行業(yè)發(fā)展層面的參數(shù)。本發(fā)明在PS0-BP和 遺傳神經(jīng)算法中對(duì)兩份數(shù)據(jù)集進(jìn)行有效對(duì)比驗(yàn)證，其中一份不含有國(guó)家行業(yè)政策和行業(yè)發(fā) 展趨勢(shì)屬性，最后得出的結(jié)果顯示使用含有以上兩屬性的數(shù)據(jù)集實(shí)驗(yàn)最后的分類準(zhǔn)確率比 不含有以上兩屬性的數(shù)據(jù)集的分類準(zhǔn)確率提高了將近1 %。
[0114] 盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域的普通技術(shù)人員而言，可以 理解在不脫離本發(fā)明的原理和精神的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換 和變型，本發(fā)明的范圍由所附權(quán)利要求及其等同物限定。
【主權(quán)項(xiàng)】
1. 一種面向中小企業(yè)的人機(jī)結(jié)合信貸評(píng)估新模型，其特征在于:包括W下步驟： S1:初始化PSO算法的慣性因子、學(xué)習(xí)因子C1、學(xué)習(xí)因子C2、種群規(guī)模、最大迭代次數(shù)、粒 子的位置和粒子的速度； S2:根據(jù)數(shù)據(jù)集中的維度確定神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、B巧巾經(jīng)網(wǎng)絡(luò)的權(quán)值和闊值的粒子 群映射，數(shù)據(jù)輸入并預(yù)處理具有一個(gè)輸入層、一個(gè)隱含層和一個(gè)輸出層的前向神經(jīng)網(wǎng)絡(luò)，可 任意精度逼近任意一個(gè)非線性函數(shù)，因此，構(gòu)造一個(gè)3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)； S3:使用步驟S2中的BP神經(jīng)進(jìn)行一次訓(xùn)練，計(jì)算m個(gè)訓(xùn)練樣本的訓(xùn)練誤差El和m個(gè)檢驗(yàn) 樣本的檢驗(yàn)誤差E2,在PSO-BP算法中，BP網(wǎng)絡(luò)的權(quán)值和闊值更新公式為： Wkj(t+l)=Wkj(t)+a5kHj (1) 上式中，田為隱層的輸出，Ww(t)為隱含層節(jié)點(diǎn)j到輸出層節(jié)點(diǎn)k的連接權(quán)值，α為學(xué)習(xí)參 數(shù)，一般為0.1~〇.9，Sk為輸出層節(jié)點(diǎn)k的誤差信號(hào)，誤差計(jì)算公式為： 5k=(Tk-0k)0k(l-0k) (2) Tk為輸出節(jié)點(diǎn)k的期望輸出值，Ok為實(shí)際輸出值，Ok計(jì)算公式如下：(3) 其中，S為隱含層節(jié)點(diǎn)個(gè)數(shù)，隱含層輸出計(jì)算公式為：(4) Wji(t+l)=Wji(t)+a〇jIi (5) 上式中，Ww為輸入層節(jié)點(diǎn)i到隱含層節(jié)點(diǎn)j的連接權(quán)值，Ii為輸入層節(jié)點(diǎn)i輸入的值，oj為 隱含層節(jié)點(diǎn)j的誤差信號(hào)，誤差計(jì)算公式為：(β) 白k(t+l)=白k(t)+0Sk (7) 上式中，9k為輸出節(jié)點(diǎn)k的闊值，β為學(xué)習(xí)參數(shù)，一般為0.1~0.9， 0j(t+i)=0j(t)+e〇j (8) 上式中，為隱含層節(jié)點(diǎn)j的闊值，所示上式中，ni和Π 2分別為訓(xùn)練樣本個(gè)數(shù)和檢驗(yàn)樣本個(gè)數(shù);Q巧和Τρ,分別為訓(xùn)練樣本P1的網(wǎng)絡(luò) 輸出和期望輸出值，0&和馬分別為檢驗(yàn)樣本Ρ2的網(wǎng)絡(luò)輸出和期望輸出； S4:將網(wǎng)絡(luò)的權(quán)值看作PS0算法中粒子的速度，相繼兩次權(quán)值的改變視為粒子的速度的 改變，找出最小檢驗(yàn)誤差Ε2時(shí)的網(wǎng)絡(luò)權(quán)值，也即最佳適應(yīng)值，PS0算法中對(duì)自身速度和位置 更新的公式為：其中，W為慣性權(quán)值，ci、C2為表示學(xué)習(xí)因子的常數(shù)，rid、r2d為[0，1]中的隨機(jī)數(shù)，k為迭代 次數(shù)； S5:每訓(xùn)練完一遍，綜合考慮BP和PSO的共同效果，即將BP網(wǎng)絡(luò)權(quán)值調(diào)整公式加上權(quán)值 的改變量； S6:重復(fù)進(jìn)行W上尋優(yōu)操作，更新粒子的速度和位置。停止條件是當(dāng)達(dá)到最大指定進(jìn)化 次數(shù)時(shí)，此時(shí)可W得到全局最優(yōu)粒子位置將被映射到初始神經(jīng)網(wǎng)絡(luò)的權(quán)重和闊值訓(xùn)練神經(jīng) 網(wǎng)絡(luò)； S7:將步驟S6中得出的優(yōu)化結(jié)果賦給BP，進(jìn)行設(shè)定次數(shù)的訓(xùn)練，得到一次分類結(jié)果； S8:根據(jù)信息賭和層次分析法求出綜合權(quán)重Wj在信息賭法中，假設(shè)有η個(gè)中小企業(yè)貸款 客戶，評(píng)價(jià)準(zhǔn)則為〔={。|1 = 1，2，...，11}，則賭權(quán)可^定義為：層次分析結(jié)構(gòu)分為目標(biāo)層Α，準(zhǔn)則層Bk，方案層Cn，目標(biāo)層只有一個(gè)，準(zhǔn)則層有k個(gè)項(xiàng)目， 方案層有η個(gè)項(xiàng)，根據(jù)W上我們可W求出B層的特征向量W，首先我們先計(jì)算每一行元素的 乘積Mi，求其η次方根而，有下式：貝lJW=[Wl化... Wn]T就是所求的特征向量，計(jì)算矩陣的最大特征向量Amax并進(jìn)行一致 性檢驗(yàn)，同理求出C層權(quán)重向量矩陣，得到ΑΗΡ權(quán)重為： Wahp =化W (22) 由W上（16)式和(22)式可得到綜合權(quán)重：(23) S9:使用改進(jìn)的模糊處理法，求得每個(gè)中小企業(yè)的信用值E，中小企業(yè)信貸評(píng)估中存在 一定的模糊不定性，在W上二級(jí)指標(biāo)的綜合權(quán)重計(jì)算出后，通過(guò)模糊處理的方法求得每個(gè) 中小企業(yè)的信用值。模糊數(shù)學(xué)思想引入后，使用定量處理后，需要評(píng)估中小企業(yè)提供的數(shù)據(jù) 來(lái)構(gòu)成矩陣Rj，取代傳統(tǒng)專家評(píng)定法中的專家評(píng)價(jià)矩陣R，得出計(jì)算公式如下： Ej=RjXWj (24) S10:使用如下優(yōu)化準(zhǔn)則來(lái)進(jìn)行兩次結(jié)果的優(yōu)化： 1) 如果Ea〉Eb，且在PSO-BP中A為壞企業(yè)，B為好企業(yè)，則將A也重新列為好企業(yè)； 2) 如果Ea<Eb，且在PSO-BP中A為好企業(yè)，B為壞企業(yè)，則將A也重新列為壞企業(yè)； S11:綜合W上得出最終的優(yōu)化結(jié)果，給出中小企業(yè)信貸信用評(píng)估結(jié)果。
【文檔編號(hào)】G06Q40/02GK106097094SQ201610405266
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年6月12日
【發(fā)明人】劉建明, 程偉
【申請(qǐng)人】桂林電子科技大學(xué)