基于bp神经网络的企业赊销风险评估研究论文

《基于bp神经网络的企业赊销风险评估研究论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于BP神经网络的企业赊销风险评估研究论文.freel为考核的回收期2。这一标准的优越性可见文献2。2.基于赊销风险度的赊销风险等级划分。鉴于目前银行业中运用比较成熟的五级信用分类制度在国内经济生活中的普及性，论文根据赊销风险度的大小将赊销风险分为5个等级，各等级对应的标准及赊销客户特征（见表1）3。3.赊销风险评价指标体系。论文采用理论与实证相结合的方法确定赊销风险评价指标体系，首先结合相关文献和作者赊销实践，提出17项初始指标，然后用专家打分法和实证分析两种方法对初始的指标体系进行筛选，最终确定12项指标（见下页表2），具体分析过程略。二、基于BP神经网络的赊销风险评价模型目前对于赊销风

2、险评价研究尚少，且赊销风险评价是复杂非线性的多因子综合系统，具有模糊、不确定等特性，适合采用结构简单、具有非线性拟合能力的神经网络。基于以上考虑，论文将比较成熟的BP神经网络用于赊销风险评价，构建神经网络五级分类风险评价评估模型，为赊销风险管理提供一个全面的视角。本文建立的BP神经网络模型（如图1所示）4。图1BP神经网络模型该模型分为两大模块：前一部分是归一化模块，这一部分主要核心技术是将原始数据转化为［0，1］区间的标准化数据；后一部分是BP神经网络（BPNN）模块。上述模型中的BPNN模块采用三层BP神经网络。该网络包括三层：输入层、隐层和输出层。应用上述模型进行赊销风险评价的步骤为：

3、1.指标归一化。由于神经网络的输入要求在0，1区间，因此，在网络学习训练前首先要将各评价指标的原始数据进行归一化。由于论文本文中的12个评价指标既有定量指标，也有定性指标，它们的标准化方法是不同的。定量指标的标准化：定量指标分为两类：成本型（越小越好）和效益型（越大越好）。对于指标Fi，设其论域为di=mi，Mi，其中mi和Mi表示Fi的可能最小、最大值，Si∈0，1是定义在论域di上的标准化函数。以下是两种指标的标准化函数5：成本型：Si=0xi≤mixi∈di1xi≥Mi效益型：Si=1xi≤mixi∈di0xi≥Mi定性指标的标准化：根据定性指标取值，其标准化规则（见表3）。2.网络训

4、练。原始数据经过预处理后送入归一化模块，根据输入信号按上一节的规则进行归一化，得到12个归一化值，然后，这些归一化值被送入BPNN模块。由以上分析可知，BPNN模块输入层的神经元数为12，即输入信号x1，x2，…，x12对应于12个归一化值；输出神经元数为1，即输出量O对应于赊销风险水平。神经网络的学习过程也就是网络参数修正的过程，本系统的网络学习采用有教师的方法，网络参数的修正采用梯度法实现。设现已有p个系统样本数据6～7：{a，Oa}，（a=1，2，…，p）式中，上标a表示样本序号；a为样本输出，Oa为实际输出。xai（i=1，2，…，12）为输入变量，则输入变量将按下式分配到隐层的第m

5、个神经元，作为其输入x′mx′m=xai（1）式中，是输入层神经元i与隐层神经元m的权值。隐层神经元m的输出O′m是其输入x′m的函数，即：O′m=F（xai）（2）BP神经元的传递函数F（x）通常为对数Sigmoid函数。同理也可以计算输出层各个单元的输入和输出，这里不作详细叙述。通过一定数量的网络训练过程，实际是修正网络参数以确定最适宜的权值使对全部n个样本的输入，按式（1）、（2）的正向运算得到的实际输出Oa与a期望输出（样本输出）的残差达到最小，即：→E=（Oa-a）2最小（3）权值及阀值的修正通过反向传播算法的梯度法实现，具体过程略。3.模型验证。将n-p个验证样本的输入矢量x*v

6、=（x*p+1，x*p+2，…，x*n）置于网络中，进行仿真预测，得到预测输出矢量，检验与输出矢量与实际结果的差异以检验网络推广能力。4.模型确定。如果验证通过，说明所建网络泛化能力较强，可用于未来赊销企业风险评级；否则，通过调整训练样本P的大小、隐节点数、训练周期、目标误差等重建网络。5.训练结果分析。评级模型确定后，就可以直接用于企业赊销风险评价输出衡量企业赊销风险等级的评价值α，该值的范围为［0，1］，按照设定赊销风险等级，各个等级输出分值范围为：一级：分值范围为0二级：分值范围为0.05三级：分值范围为0.15四级：分值范围为0.3五级：分值范围为0.5这样可以从网络输出值中明确得出

7、企业赊销风险等级。三、实证分析选取东、中和西部地区赊销客户五级分类样本426家，这些样本的数据是2007年度的相关数据。从每个风险等级样本中随机选取290家企业作为模型训练样本，其余的136家企业作为检验样本。将训练样本按照标准化准则进行标准化，建立Matlab训练模型。模型输入神经元个数为12，输出为5，规则层神经元采用tansig型函数，而输出层神经元则采用purelin型函数。经过7614步迭代，BPN