论文部分内容阅读
控制银行贷款风险一直是我国商业银行经营的重中之重。本文针对传统方法有相应的缺陷,提出了一个新的评价银行贷款风险的方法——基于均匀设计法的RBFNN风险评价及预警评价方法。同时本文运用面向对象分析和面向对象设计方法对银行贷款风险评价及预警系统进行了设计。其主要工作其主要分成以下几个阶段:1、在分析银行贷款评价和预警评价的流程基础上,对项目进行了可行性分析,接着运用OOA方法进行了需求分析,进行了详细的各层次用例分析。2、在选取了优秀的银行贷款风险评价及预警评价指标基础上,运用所设计的指标模糊隶属度函数对评价指标值进行规范化,并使用均匀设计法获取了自适应RBFNN训练样本。通过样本训练和实例数据进行检验贷款风险评价和预警评价,获得了理想的结果。3、运用UML建模,对银行贷款风险评价及预警系统进行了总体设计和详细设计,设计出类图、系统模块结构图,并对各模块设计出较详细的时序图。4、在系统实现过程中,运用了Matlab函数与C#混编技术,将Matlab的自适应RBFNN函数转换成COM组件,在C#程序中调用。同时应用了均匀设计法所获得的大量样本,分别进行贷款风险评价的RBFNN训练和预警评价的RBFNN训练,经过程序检验,模型训练检验满意。贷款风险评价和预警评价,也获得理想的结果。从而使应用系统脱离了Matlab软件而运行,也简化了RBFNN算法的编写。Matlab函数与C#混编技术的运用,使我们今后在C#程序中可以运用Matlab软件的大量的函数进行复杂计算和图形显示变换,简化了程序编制,同时充分发挥Matlab软件强大的计算功能。在过去的银行风险预警评价方法中,传统模糊综合评判法具有无法摆脱决策过程中的随机性,主观不确定性以及缺乏与时俱进的自学习能力的严重缺点。过去采用的RBF神经网络评价方法具有网络隐节点固定,局部极值的缺点。虽然它具有自学习能力的优点,但是在自学习训练中却具有致命的缺点——在有限的学习样本情况下缺乏严密的实验设计,从而使所训练出的网络性能难以覆盖绝大多数风险情况,致使人工神经网络评价性能不能达到预期要求。本系统利用“均匀设计法”U1000表,通过DSP软件,获取大规模标准化“均匀设计”样本,然后利用这些能够覆盖全部样本空间的有代表性样本进行自适应RBFNN训练,训练检验获取了误差小于预定误差的模型训练结果;实例检验获得了误差小于预定误差绝对值3.5,预警等级符合实际的应用效果。从而建立一套较准确的、正确的、无遗漏的、快速的银行贷款风险评价及预警评价模型和评价方法。本系统的设计为以上方法奠定了实际运用的平台,对于银行贷款评价和预警评价具有实际运用价值。