徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)優(yōu)化及其在企業(yè)財(cái)務(wù)預(yù)警中的應(yīng)用.pdf

1、近年來(lái)，隨著人工智能理論和數(shù)據(jù)挖掘技術(shù)的發(fā)展成熟，其在信號(hào)處理、模式識(shí)別和金融時(shí)間序列預(yù)測(cè)分析等方面都取得了巨大的成功，已逐漸超越傳統(tǒng)的基于統(tǒng)計(jì)分析的方法和BP神經(jīng)網(wǎng)絡(luò)。徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)是一種基于正則化理論的三層前向傳播的神經(jīng)網(wǎng)絡(luò)，具有良好的泛化能力、較快的收斂速度、避免陷入局部極小等優(yōu)點(diǎn)，在近幾年來(lái)其研究和應(yīng)用得到了迅速的發(fā)展。
　　相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)采用了對(duì)參數(shù)的分階段訓(xùn)練的方法，避免了像BP網(wǎng)絡(luò)那

2、樣冗長(zhǎng)和繁瑣的計(jì)算過(guò)程，從而提高了網(wǎng)絡(luò)訓(xùn)練的效率，但是當(dāng)輸入節(jié)點(diǎn)的數(shù)目過(guò)多的時(shí)候，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的中心節(jié)點(diǎn)和線性參數(shù)的訓(xùn)練過(guò)程將會(huì)變長(zhǎng)，從而降低網(wǎng)絡(luò)訓(xùn)練的效率。本研究提出了基于主成分分析的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的優(yōu)化，使用主成分分析方法首先對(duì)于訓(xùn)練樣本集進(jìn)行初步的特征選擇，從而減少了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點(diǎn)的數(shù)目，通過(guò)此方法來(lái)提高網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)的效率。
　　通過(guò)前文的詳細(xì)總結(jié)和研究，筆者將經(jīng)過(guò)出成分分析方法優(yōu)化的徑向基函數(shù)神經(jīng)

3、網(wǎng)絡(luò)應(yīng)用于財(cái)務(wù)預(yù)警領(lǐng)域，使用反映上市公司財(cái)務(wù)指標(biāo)的真實(shí)數(shù)據(jù)，通過(guò)在MATLAB仿真平臺(tái)上進(jìn)行的實(shí)驗(yàn)來(lái)驗(yàn)證本研究所提出的優(yōu)化方法的有效性。通過(guò)實(shí)驗(yàn)證實(shí)了經(jīng)過(guò)主成分分析方法優(yōu)化的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)對(duì)于財(cái)務(wù)狀況分類預(yù)測(cè)準(zhǔn)確率的提高和改善具有良好的效果。此外，本文還分析了企業(yè)財(cái)務(wù)預(yù)警系統(tǒng)的功能及要求，財(cái)務(wù)預(yù)警系統(tǒng)的總體框架，詳細(xì)介紹了各個(gè)子系統(tǒng)的設(shè)計(jì)，構(gòu)建了包括模型預(yù)警及關(guān)鍵變量分析的財(cái)務(wù)預(yù)警原型系統(tǒng)，同時(shí)將平衡計(jì)分卡、BP企業(yè)績(jī)效評(píng)價(jià)模型納入