| 【中文题名】 | 用GA优化BP网络权值的方法及其在个人信用评估中的应用 |
| 【英文题名】 | A Credit Rating Model for Individual Based BP Network and Genetic Algorithms |
| 【学科专业】 | 软件工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-4-3 |
| 【中关键词】 | BP算法,遗传算法,信用风险,指标体系,信用评估模型, |
| 【英关键词】 | |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>人工神经网络与计算> |
| 【论文摘要】 |
本文首先论述了目前国际和国内个人信用评分现状,应用的主要评分方法,以及这些方法在实际应用中的缺点和不足。接着介绍了神经网络技术和遗传算法的发展现状,及其应用领域。进而利用前向神经网络的学习能力、非线性处理能力和容错能力,依据自然人客户各种信用指标,提出并设计了基于神经网络的信用评估模型,并用遗传算法优化了网络权值,弥补了其他方法的不足。模型的建立包括个人评分方法的分析、评分指标体系的确定、样本数据的预处理和BP算法和遗传算法的合作,并且取得了对于好坏客户的分类准确率能达到92.4%的较为满意的结果。最后,根据实际应用提出了进一步对BP算法和遗传算法的改进方法。这一评估模型的提出,对信用评估机构和金融机构提供了科学管理和正确决策的依据,同时也为解决同类问题以及神经网络和遗传算法应用于其他领域提供一条良好的途径。 |
| 【论文题纲】 |
|
内容提要 |
5-9 |
|
第一章 前言 |
9-15 |
|
1.1 研究个人信用评估的意义 |
9 |
|
1.2 国内外个人信用评估的发展历史以及现状 |
9-13 |
|
1.2.1 国外个人信用评估的发展历史以及现状 |
9-10 |
|
1.2.2 我国个人信用评估的发展历史以及现状 |
10-12 |
|
1.2.3 人工神经网络在个人信用评估和风险预警中的应用 |
12-13 |
|
1.3 论文的研究内容以及论文的结构 |
13-15 |
|
第二章 BP 网络和GA 算法 |
15-27 |
|
2.1 人工神经网络技术 |
15-19 |
|
2.1.1 神经元模型概述 |
15-17 |
|
2.1.2 神经网络的工作原理 |
17-18 |
|
2.1.3 神经网络的特点 |
18-19 |
|
2.2 误差逆传播算法（BP 算法） |
19-23 |
|
2.2.1 BP 算法的数学描述 |
19-23 |
|
2.3 遗传算法（GA） |
23-25 |
|
2.3.1 遗传算法的发展 |
23 |
|
2.3.2 遗传算法的描述 |
23-24 |
|
2.3.3 遗传算法的特点 |
24-25 |
|
2.3.4 简单遗传算法 |
25 |
|
2.4 人工神经网络与遗传算法的结合 |
25-26 |
|
2.5 本章小结 |
26-27 |
|
第三章 构建个人信用评估模型的数据基础 |
27-37 |
|
3.1 训练数据和测试数据的来源及筛选 |
27-30 |
|
3.1.1 数据的来源 |
27 |
|
3.1.2 数据的筛选――数据筛选的原则和方法 |
27-30 |
|
3.2 个人信用评估指标体系的构建 |
30-35 |
|
3.2.1 个人信用评估指标体系的构建原则 |
30-31 |
|
3.2.2 本文所选取的评估指标及含义 |
31-32 |
|
3.2.3 指标数据标准化处理 |
32-35 |
|
3.3 本章小结 |
35-37 |
|
第四章 利用GA 调优BP 网络权值的方法构建个人信用评估模型 |
37-52 |
|
4.1 BP 网络输入、输出节点数目的选择 |
37 |
|
4.2 BP 网络神经元转移函数的选择 |
37-38 |
|
4.3 BP 网络初始权值的选择 |
38 |
|
4.4 BP 网络层数的选择 |
38 |
|
4.5 BP 网络误差函数和训练精度的选择 |
38-40 |
|
4.5.1 误差函数的选择 |
38-39 |
|
4.5.2 训练精度即误差总和ε的选择 |
39-40 |
|
4.6 三层BP 网络隐层节点数目的选择 |
40-42 |
|
4.6.1 选择方法 |
40 |
|
4.6.2 不同隐层节点数目对训练次数和鉴别准确度的影响 |
40-41 |
|
4.6.3 试验结论 |
41-42 |
|
4.7 训练样本的选择 |
42-44 |
|
4.8 对使用Memond 法提高BP 网络收敛速度的研究 |
44-45 |
|
4.8.1 什么是Memond 法 |
44 |
|
4.8.2 对使用Memond 法提高BP 网络收敛速度的比较实验 |
44-45 |
|
4.8.3 比较实验的问题和结论 |
45 |
|
4.9 对未经GA 优化的BP 网络的评估 |
45-46 |
|
4.10 利用GA 优化BP 网络的方法 |
46-50 |
|
4.10.1 适应度函数的选择 |
46-47 |
|
4.10.2 初始群体设定 |
47 |
|
4.10.3 多参数的实数编码 |
47-49 |
|
4.10.4 对GA 的优化 |
49-50 |
|
4.11 对经过GA 优化的BP 网络的评估 |
50-52 |
|
第五章 结论和思考 |
52-56 |
|
5.1 本文所进行的研究的意义 |
52-53 |
|
5.2 在完成论文的过程中主要进行的工作 |
53-54 |
|
5.3 问题和展望 |
54-56 |
|
参考文献 |
56-58 |
|
摘要 |
58-61 |
|
Abstract |
61-65 |
|
致谢 |
65 |
|
| 【DOI】 | LunWen.ID:2.2008.388401 |
