亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

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

文檔序號(hào):10726184閱讀:299來(lái)源:國(guó)知局
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)
網(wǎng)友詢問(wèn)留言 已有0條留言
  • 還沒(méi)有人留言評(píng)論。精彩留言會(huì)獲得點(diǎn)贊!
1