本文關(guān)鍵詞：改進HS算法優(yōu)化BP網(wǎng)絡(luò)的財務(wù)危機預(yù)警研究

  更多相關(guān)文章： 財務(wù)危機 預(yù)警 和聲搜索算法 差分進化算法 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：一直以來,企業(yè)財務(wù)危機預(yù)警的研究是資本市場各個領(lǐng)域經(jīng)久不息的研究課題。從現(xiàn)有的研究成果及應(yīng)用需求的發(fā)展中不難看出,財務(wù)危機預(yù)警源于企業(yè)財務(wù)實證研究的同時,還需要融合復(fù)雜、綜合性的管理過程,以及預(yù)警和過程控制理論,動態(tài)信息技術(shù)等多學(xué)科知識,更離不開高效的預(yù)測模型及預(yù)測技術(shù)的支撐。一個高效的財務(wù)危機預(yù)警系統(tǒng)能夠提供全面、精準、實時的財務(wù)信息以提前做好預(yù)警準備工作。因此,有必要深入研究財務(wù)預(yù)警機制,同時在學(xué)習(xí)借鑒國外成熟研究成果的過程中,需要充分結(jié)合我國資本市場的特殊情況,創(chuàng)建適用于我國實際環(huán)境的財務(wù)預(yù)警模型。當洞悉到財務(wù)危機征兆時也可預(yù)先發(fā)出預(yù)警信號,方便經(jīng)營商和投資人做好應(yīng)對方案,也可避免財務(wù)危機的進一步擴張,總結(jié)經(jīng)驗教訓(xùn)。為有效提高企業(yè)財務(wù)危機預(yù)警準確度,同時針對誤差反向傳播神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中存在的各種缺陷,如收網(wǎng)絡(luò)斂速度慢、極易陷入局部極小值等,本文提出了和聲搜索算法與差分進化算法相結(jié)合的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化方法。同時建立了基于HSDM-BP的企業(yè)財務(wù)危機預(yù)警模型。利用差分進化算法的變異機制改進和聲搜索算法新解產(chǎn)生操作,提高了和聲搜索算法的全局搜索性能;通過差分進化算法改進的和聲算法實現(xiàn)對BP神經(jīng)網(wǎng)絡(luò)連接權(quán)重及閾值的優(yōu)化后完成網(wǎng)絡(luò)訓(xùn)練,得到HSDM-BP模型。利用訓(xùn)練好的模型對相同數(shù)量經(jīng)過ST特別處理和健康的財務(wù)數(shù)據(jù)同時進行訓(xùn)練分析及預(yù)警,并將結(jié)果與其他方法進行比較。實驗顯示,利用文章算法模型進行企業(yè)財務(wù)危機預(yù)警后得到的危機企業(yè)劃分預(yù)測準確率較其他模型方法更高。結(jié)果表明,論文提出的HSDM-BP網(wǎng)絡(luò)算法不但克服了BP網(wǎng)絡(luò)的不足,提高了財務(wù)預(yù)警的準確率,同時相較于其他預(yù)警方法性能更優(yōu)越。
【關(guān)鍵詞】：財務(wù)危機 預(yù)警 和聲搜索算法 差分進化算法 BP神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP183;TP277
【目錄】：

• 摘要4-6
• Abstract6-11
• 第1章 緒論11-17
• 1.1 課題研究背景及意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.2.1 國外研究現(xiàn)狀12-13
• 1.2.2 國內(nèi)研究現(xiàn)狀13-14
• 1.3 論文主要研究內(nèi)容14
• 1.4 本文組織結(jié)構(gòu)14-17
• 第2章 相關(guān)算法理論17-27
• 2.1 和聲搜索算法17-20
• 2.1.1 和聲搜索算法理論基礎(chǔ)17-18
• 2.1.2 和聲搜索算法步驟18-20
• 2.2 差分進化算法20-22
• 2.2.1 理論基礎(chǔ)20-22
• 2.2.2 算法流程22
• 2.3 誤差反向傳播神經(jīng)網(wǎng)絡(luò)22-26
• 2.3.1 人工神經(jīng)網(wǎng)絡(luò)基本理論22-24
• 2.3.2 誤差反向傳播神經(jīng)網(wǎng)絡(luò)24-26
• 2.4 本章小節(jié)26-27
• 第3章 改進和聲算法優(yōu)化BP網(wǎng)絡(luò)27-34
• 3.1 改進的和聲搜索算法27-30
• 3.2 HSDM算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)30-32
• 3.2.1 優(yōu)化依據(jù)30-31
• 3.2.2 優(yōu)化原理31-32
• 3.2.3 優(yōu)化步驟32
• 3.3 本章小節(jié)32-34
• 第4章 HSDM-BP財務(wù)預(yù)警模型構(gòu)建34-44
• 4.1 財務(wù)預(yù)警基礎(chǔ)理論34-35
• 4.1.1 財務(wù)危機34
• 4.1.2 預(yù)警理論34-35
• 4.2 財務(wù)預(yù)警指標體系構(gòu)建35-39
• 4.2.1 財務(wù)樣本選取35
• 4.2.2 指標選取原則35
• 4.2.3 指標體系建立35-39
• 4.3 HSDM-BP算法模型實現(xiàn)39-43
• 4.3.1 模型樣本數(shù)據(jù)預(yù)處理39
• 4.3.2 模型參數(shù)設(shè)定39-40
• 4.3.3 模型實現(xiàn)40-43
• 4.4 本章小結(jié)43-44
• 第5章 基于HSDM-BP的財務(wù)預(yù)警系統(tǒng)44-52
• 5.1 財務(wù)數(shù)據(jù)準備44-45
• 5.2 系統(tǒng)預(yù)警實現(xiàn)45-51
• 5.2.1 系統(tǒng)程序運行45-49
• 5.2.2 預(yù)測結(jié)果49-51
• 5.3 本章小結(jié)51-52
• 第6章 總結(jié)與展望52-53
• 參考文獻53-55
• 作者簡介及科研成果55-56
• 致謝56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 周雅蘭;黃韜;;和聲搜索算法改進與應(yīng)用[J];計算機科學(xué);2014年S1期

2 王玉龍;譚文;;改進的差分進化算法優(yōu)化負荷頻率控制[J];控制工程;2014年S1期

3 張保霞;黃健強;;上市公司財務(wù)危機動態(tài)預(yù)警模型研究綜述[J];時代金融;2014年09期

4 王英博;聶娜娜;李仲學(xué);;基于HSDM的企業(yè)財務(wù)危機預(yù)警[J];計算機工程與設(shè)計;2014年01期

5 廖志文;;基于CBR與灰色關(guān)聯(lián)度的財務(wù)危機預(yù)警[J];計算機工程;2012年01期

6 張旭蘭;;基于BP人工神經(jīng)網(wǎng)絡(luò)的車牌字符識別優(yōu)化算法[J];計算機工程與應(yīng)用;2012年35期

，

本文編號：1128395