基于bp神经网络模糊综合评判业主项目融资风险评价

《基于bp神经网络模糊综合评判业主项目融资风险评价》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神经网络模糊综合评判业主项目融资风险评价【摘要】在对业主项目融资的风险评价中，本文在论述BP神经网络原理及算法的基础上，提出了将其与模糊综合评判相结合的评价方法，建立了模糊综合评判的神经网络模型，并将模型应用到了项目实例中。【关键词】工程项目；风险评价；BP神经网络；模糊综合评价[Abstract]Inthisarticle,aevaluationmethodbyBPneuralnetworkofcompositefuzzywaspresentedandtheEvaluationModelbas

2、edonBPNeuralNetworkofCompositeFuzzywasbuilt,thanusedthismodeltoevaluationengineeringprojectriskofownerfinancing.【Keywords】EngineeringProject；ownerinancing；ventureevaluation；BPneuralnetwork；FuzzySyntheticEvaluation0引言当建设项目投资需求金额很大，业主通常可采用项目融资的方式建设。由于项目融资时

3、间长、规模大、参与方多、结构复杂，导致融资风险极大，它直接关系到项目融资能否成功以及项目能否进行建设。因此，有效的风险管理通常能够较好的防范或者是降低风险带来的损失，而在风险管理过程中，风险评价则是非常重要的一个环节，所以选择合适的风险评价模型就起到了关键性的作用。本文研究采用了基于BP神经网络的模糊综合评判模型。该模型既考虑到了风险评价具有模糊性，也利用了神经网络具有较好的学习能力、加速权重的学习调整的优点。1基于BP神经网络的模糊综合评判模型基于BP神经网络的模糊综合评判模型是指在BP神经网络评价系

4、统的基础上引入模糊逻辑，使其能够直接处理一些模糊性的信息。它的基础模型是三层BP神经网络模型，在基础模型的输人层前增加了模糊语言量化层，从而能够处理那些模糊语言描述的信息，同时能让模糊化处理、规则与推理转换成神经网络的学习，综合评判模型如图1所示。1基于BP神经网络的模糊综合评判模型1.1模糊信息输入量化层通过模糊信息的输入量化层预处理之后，就能将模糊概念融入到BP神经网络中。模糊信息的评价指标值不是反映的分值大小，而是反映出对某些模糊评价观念隶属度的高低。BP神经网络模型前置的模糊信息输入量化层将指标

5、的特征值转化为其隶属度，转换过程如下：根据定量因素指标的属性，因素指标对最优评价的隶属度分别为以下三种情况：1)指标属性越大越优¥■=■■(1)2)指标属性越小越优vH=Ht(2)3)指标属性适中为优vH=ew(3)在上式中，v■指第i个指标对最优评价的隶属度，取值范围是[0，1];U■指第i个指标的指标值；当t=l即为线性分布；w=-;U■指最优指标值1.2BP神经网络结构1.2.1BP神经网络的学习原理BP神经网络是一种多层次反馈型网络，所使用的是有“导师”的学习算法。网络由一个输入层、若干个隐含层

6、和一个输出层组成，每层都有一个或多个神经元节点，下层每个神经元与上层每个神经元都实现权连接，输入信号先向前传播到隐含层节点，经过函数作用，再把隐含节点的输出信号传播到输出节点，如果输出层得不到期望的输出，则反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元权值，使得误差信号最小。1.2.2BP神经网络的结构设计1)输入层节点数输入层节点数是指评价指标个数。实际应用中，输入节点的数目由风险因素的数目来决定，使输入层数据的全面性得到了有效保证。2)隐含层层数及节点数隐含层的作用主要是从输入的样本信

7、息中提取特征。增加隐含层层数可以降低误差、提高精度，但同时也使网络复杂化，从而增加网络权值的训练时间。当采用S型函数作为激活函数时，一个隐含层就能满足实现需要的判决分类，所以目前很多评价模型都选用1个隐含层。隐含层节点的作用主要是从输入的样本中提取并储存其内在规律。若隐含层节点数量过少，可能训练不出网络或者网络不够“强壮”，不能识别以前没遇到过的样本，容错性差；但节点数量过多，又会使学习时间过长误差也不一定最佳，还容易出现“过度吻合”的问题，降低了网络泛化的能力。通过大量实践研究，目前已获得比较科学的节

8、点数量计算公式。最佳隐含层节点数量公式：N=H+a(4)在上式中，N为最佳隐含层节点数，n为网络输入层输入节点数，m为网络输出层输出节点数，a为H10之间的一个常数。输出层节点数由评价结果的需要来确定。1)训练次数最佳的训练次数能使建立好的模型获得较好的泛化能力。为了得到最佳的训练次数，可将样本数据分为训练集和测试集，训练集用来训练修改BP神经网络的权值，直到输出结果与期望值之间的误差满足要求，其原理如图1所示。经过一定数量的训练次数后，网