论文部分内容阅读
本文的研究目的是要构建基于神经网络的个人信用评价模型,帮助商业银行或企业建立自动化信用审核系统,减少人力资源消耗,利用计算机软件来计算贷款人的信用状况,定量地评价贷款人的信用,提高个人信用评价的自动化程度。本论文中的主要研究内容有:1、探讨信用评价的基本概念和实际工作中需要遵循的原则,研究影响个人信用等级的核心要素以及个人信用评价的基本方法和模型。基于德国开源个人信用数据库,进行原数据预处理,计算各个指标增益并按照增益值排序,抽取靠前的17个信用指标,构建本文研究模型所需要的信用评价指标体系。2、探讨人工神经网络,阐述它的基本概念和原理,深入研究BP神经网络及其训练算法:梯度下降算法。并对该训练算法的原理进行推导,分析该训练算法的性能和存在的缺陷。针对该算法存在的缺陷,本文阐述目前已有的七种改进算法,并设计仿真实验,对比分析这七种训练算法在个人信用评价模型中的性能,最后构建基于BP神经网络的个人信用评价模型。3、本文对粒子群优化算法及其改进进行深入研究。本文研究粒子群优化算法的目的是利用粒子群优化算法代替BP神经网络中的梯度下降算法训练神经网络的权值和阈值,使得神经网络模型具有更优的网络结构。同时,本文在标准粒子群优化算法的基础上对其改进,标准粒子群优化算法在共享种群的搜索智慧时就会缩小搜索空间,全局寻优能力会下降。本文基本的改进思想是给粒子新增一个动态的随机位置变换,使得粒子的全局寻优能力得以增强。本文将改进后的算法与标准算法在仿真实验中对比分析,结果验证改进后的粒子群优化算法比标准粒子群优化算法确实具备更好的最优化能力。4、最后,本文将改进的粒子群优化算法替换BP神经网络中的训练算法,构建出改进粒子群优化的BP神经网络算法模型,并结合信用评价指标体系,最终实现基于改进PSO-BP神经网络的个人信用评价模型。最后设计仿真实验,对比BP模型、标准PSO-BP模型和改进PSO-BP模型这三个算法模型分别应用于个人信用评价时的性能,实验结果表明改进PSO-BP模型的预测准确率最高并且性能最好。