本文選題：小微企業(yè) + 信用風險評估��； 參考：《運籌與管理》2017年04期

【摘要】：針對傳統(tǒng)BP神經(jīng)網(wǎng)絡在小微企業(yè)信用風險評估實際應用中,隨機初始權值和閾值導致網(wǎng)絡學習速度慢、易陷入局部解以及運算結果誤差較大等缺陷,借助群智能螢火蟲(GSO)算法,提出一種基于改進離散型螢火蟲(IDGSO)算法的BP神經(jīng)網(wǎng)絡集成學習算法的小微企業(yè)信用風險評估IDGSO-BP模型。該模型以BP神經(jīng)網(wǎng)絡為基本框架,在學習過程中引入離散型螢火蟲算法,優(yōu)化設計神經(jīng)網(wǎng)絡的網(wǎng)絡結構與連接權值,得到一組相對合適的權值與閾值,再進行新一輪網(wǎng)絡訓練,以"均平方誤差最小"為評價準則,產(chǎn)生網(wǎng)絡的輸出結果,以此建立小微企業(yè)信用風險評估模型。其仿真實驗結果表明,該模型在收斂速度及運算精度方面較傳統(tǒng)BP神經(jīng)網(wǎng)絡模型、遺傳GABP模型及連續(xù)GSO-BP模型有較明顯優(yōu)勢。因此,IDGSO-BP模型可以有效提高小微企業(yè)信用風險評估的準確性。
[Abstract]:In the practical application of traditional BP neural network in the credit risk assessment of small and micro enterprises, the random initial weights and thresholds lead to slow learning speed, easy to fall into local solution and large error of operation results, so the GSO algorithm is used to solve the problem. A BP neural network integrated learning algorithm based on improved discrete Firefly (IDGSO) algorithm is proposed to evaluate the credit risk of small and micro enterprises (IDGSO-BP). This model takes BP neural network as the basic frame, introduces the discrete firefly algorithm in the learning process, optimizes the network structure and the connection weight value of the neural network, obtains a group of relatively appropriate weights and thresholds, and then carries on a new round of network training. Taking the least square error as the evaluation criterion, the output results of the network are generated, and the credit risk assessment model of small and micro enterprises is established. The simulation results show that the proposed model has obvious advantages over the traditional BP neural network model, genetic GABP model and continuous GSO-BP model in terms of convergence speed and operation accuracy. Therefore, IDGSO-BP model can effectively improve the accuracy of credit risk assessment of small and micro enterprises.
【作者單位】： 安徽新華學院信息工程學院;合肥工業(yè)大學管理學院;合肥工業(yè)大學人事部;安徽財經(jīng)大學商學院;
【基金】：國家自然科學基金項目(71403001) 安徽省教育廳自然科學研究重點項目(KJ2016A308,KJ2015A300)
【分類號】：F276.3;TP183

【相似文獻】

相關期刊論文 前8條

1 費文穎;于繼科;楊揚;;信用風險評估的一類改進模糊ISODATA算法[J];信息系統(tǒng)工程;2014年03期

2 孫丹,張秀艷;商業(yè)銀行信用風險評估混合軟計算系統(tǒng)[J];吉林大學學報(信息科學版);2002年03期

3 王春峰,萬海暉,張維;基于神經(jīng)網(wǎng)絡技術的商業(yè)銀行信用風險評估[J];系統(tǒng)工程理論與實踐;1999年09期

4 陳云;石松;;基于PSO-BP集成的國內外企業(yè)信用風險評估[J];計算機應用研究;2014年09期

5 夏光虎;賈宇波;范紅丹;;分類與預測挖掘在信用風險評估中的應用研究[J];工業(yè)控制計算機;2012年07期

6 朱金華;;組合模型在商業(yè)銀行信用風險評估中的研究[J];計算機仿真;2011年09期

7 李君藝;張宇華;;商業(yè)銀行信用風險評估實證分析及方法比較[J];網(wǎng)絡安全技術與應用;2013年03期

8 ;[J];;年期

相關會議論文 前4條

1 周綺鳳;林成德;;商業(yè)銀行信用風險評估中多分類方法的比較[A];第二十四屆中國控制會議論文集（下冊）[C];2005年

2 劉睿;周宗放;;云理論在企業(yè)集團信用風險評估中的應用[A];“中國視角的風險分析和危機反應”——中國災害防御協(xié)會風險分析專業(yè)委員會第四屆年會論文集[C];2010年

3 鄧宇翔;魯煒;黃敏;;運用概率神經(jīng)網(wǎng)絡進行企業(yè)信用風險評估[A];2003年中國管理科學學術會議論文集[C];2003年

4 陳林;周宗放;肖珉;;企業(yè)集團信用風險評估研究綜述[A];第五屆（2010）中國管理學年會——管理科學與工程分會場論文集[C];2010年

相關重要報紙文章 前7條

1 記者 衛(wèi)容之;中國信用風險評估仍高居“A類”[N];國際金融報;2003年

2 記者　陳小三;日本信用風險評估工具登陸中國[N];國際商報;2006年

3 海 燕;AMS信用風險評估引入中國[N];中國商報;2006年

4 程汲;地區(qū)信用風險評估應該推行[N];金融時報;2004年

5 李良;緊縮政策下債券買點漸現(xiàn)[N];中國證券報;2008年

6 證券時報記者　 徐濤;今年保險資金投資需求超過6000億[N];證券時報;2006年

7 本報駐比利時記者 張亮;美三大評級機構惹惱歐盟[N];人民日報;2011年

相關博士學位論文 前4條

1 郭英見;基于信息融合的國有商業(yè)銀行信用風險評估研究[D];哈爾濱工業(yè)大學;2010年

2 趙靜嫻;基于決策樹的信用風險評估方法研究[D];天津大學;2009年

3 肖珉;我國企業(yè)集團上市公司財務預警與信用風險評估研究[D];電子科技大學;2012年

4 羅圣雅;臺灣上市柜公司信用風險評估[D];蘇州大學;2011年

相關碩士學位論文 前10條

1 鄭文龍;商業(yè)銀行個人住房貸款業(yè)務信用風險評估研究[D];長安大學;2015年

2 朱金金;基于灰色系統(tǒng)理論的商業(yè)銀行信用風險評估研究[D];蘭州大學;2015年

3 田冰冰;農(nóng)業(yè)價值鏈融資中農(nóng)戶信用風險評估研究[D];安徽財經(jīng)大學;2015年

4 楊琴棋;我國商業(yè)銀行信用風險評估研究[D];首都經(jīng)濟貿易大學;2015年

5 樸文慧;基于模糊動態(tài)支持向量機集成方法的商業(yè)銀行信用風險評估[D];哈爾濱工業(yè)大學;2015年

6 唐雪婷;信用風險研究[D];電子科技大學;2015年

7 李正基;神經(jīng)網(wǎng)絡在中小企業(yè)信用風險評估問題中的應用比較[D];復旦大學;2014年

8 伍永祥;利率市場化下商業(yè)銀行信貸客戶信用風險評估方法研究[D];南京大學;2014年

9 顏文超;雙邊信用風險評估調整的動態(tài)衍化的密度模型[D];上海交通大學;2015年

10 鄧大鵬;P2P網(wǎng)絡借貸動態(tài)信用風險評估方法研究[D];上海交通大學;2014年

，

本文編號：1838931