

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、隨著我國加入WTO,各商業(yè)銀行間及中資銀行與外資銀行間的競爭將更激烈,管理現(xiàn)代化、決策科學(xué)化必將成為商業(yè)銀行參與競爭、尋求發(fā)展的重要手段,而先進(jìn)的計算機(jī)技術(shù)和網(wǎng)絡(luò)通訊技術(shù)已成為科學(xué)化管理和參與競爭的必備工具和先決條件。通過建立銀行的智能決策系統(tǒng),快速獲取決策信息,深入分析貸款質(zhì)量,完善風(fēng)險控制是迎接挑戰(zhàn)、提高競爭力的有利方式。 國家863項目“基于中間件的企業(yè)信用風(fēng)險評估決策系統(tǒng)”采用了人工智能專家系統(tǒng)推理機(jī)的技術(shù)方案,運(yùn)用了基
2、于案例推理和基于規(guī)則推理的二級推理機(jī)制,實現(xiàn)了符合現(xiàn)代化要求的企業(yè)信用風(fēng)險評估決策系統(tǒng)。本課題對原有系統(tǒng)進(jìn)行了改進(jìn)和完善,并且在研究推理機(jī)和粗集理論的基礎(chǔ)上提出了一種更客觀的權(quán)值確定算法和一種更符合現(xiàn)實的相似度計算算法。研究主要包括以下內(nèi)容。 首先,對粗糙集理論和基于案例的推理技術(shù)進(jìn)行了詳細(xì)的分析與研究,并在此基礎(chǔ)上提出了基于粗糙集的權(quán)重確定算法,克服了之前權(quán)重確定的主觀性、盲目性,使得權(quán)重的確定更具客觀性。 其次,分析
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于CBR的Bayesian在ITS中的應(yīng)用研究.pdf
- 粗集在系統(tǒng)辨識中的應(yīng)用研究.pdf
- 基于粗集和SVM的房貸信用評估的應(yīng)用研究.pdf
- 粗集-支持向量機(jī)方法在軟測量中應(yīng)用研究.pdf
- 基于粗集理論的數(shù)據(jù)挖掘方法及應(yīng)用研究.pdf
- 基于粗集的遺傳挖掘算法在故障診斷中的應(yīng)用研究.pdf
- 基于粗集理論的屬性約簡方法及應(yīng)用研究.pdf
- 價值評估方法在油田企業(yè)規(guī)劃中的應(yīng)用研究.pdf
- 培訓(xùn)開發(fā)效果評估方法在企業(yè)中的應(yīng)用研究.pdf
- 基于CBR的叉車設(shè)計重用方法及其應(yīng)用研究.pdf
- 粗集理論在電力客戶數(shù)據(jù)挖掘中的應(yīng)用研究.pdf
- 基于粗集模型的聚類方法及其在文獻(xiàn)過濾系統(tǒng)中的應(yīng)用.pdf
- CBR方法在軟件開發(fā)項目成本估算中的應(yīng)用研究.pdf
- 水平集方法在圖像分割中的應(yīng)用研究.pdf
- CBR的應(yīng)用研究.pdf
- 基于粗集的信息系統(tǒng)安全評估方法的研究.pdf
- EVA在企業(yè)價值評估中的應(yīng)用研究.pdf
- 粗集理論在電力系統(tǒng)負(fù)荷預(yù)測中的應(yīng)用研究.pdf
- CBR在智能授導(dǎo)系統(tǒng)中的應(yīng)用研究.pdf
- 基于粗集的權(quán)重確定方法及其在電信客戶數(shù)據(jù)挖掘中的應(yīng)用.pdf
評論
0/150
提交評論