基于改進RBF神經網絡的信用評級分析.pdf

1、信用評級一直是銀行信用風險管理的一項重要內容，本文主要研究了RBF神經網絡技術在商業(yè)銀行個人貸款信用評級模型中的應用。在信用評級中，由于客戶的信息大多為分類型數據，因此傳統(tǒng)的RBF模型無法進行有效處理，同時RBF模型還對初始中心的選取十分敏感，并且較容易受到異常值的影響。針對以上問題，本文將模糊K-Prototypes算法應用到RBF神經網絡模型中，且改進了初始中心的選取方法，并將改進前后的模型分別應用于某商業(yè)銀行的個人貸款數據中，實證

2、的結果表明，改進后的RBF模型在處理非數值型數據時精度更高，并且改進后的模型穩(wěn)健性有了一定提高。
　　文章的大致內容如下:
　　第一章我們將對信用評級作簡單的介紹，從信用評級的起源與背景，到它的相關定義，最后到傳統(tǒng)主觀判斷方法與近代統(tǒng)計模型方法的比較，給讀者對信用評級的相關發(fā)展歷程有一個大致的了解。
　　第二章中，我們將對信用評級中的常用模型做出相關的介紹，主要包括一般線性模型、廣義線性模型、判別分析、K-臨近算法等。

3、
　　第三章中，我們將介紹RBF神經網絡的相關知識，包括RBF神經網絡如何從生物學發(fā)展而來，RBF神經網絡的網絡結構、數學基礎，以及它的相關學習算法。
　　第四章中，我們將介紹模糊的K-Prototypes聚類算法，并將算法應用到RBF神經網絡的學習當中，同時，為了提高模型的穩(wěn)健性，我們還提出了初始聚類中心選取的替代方法，同時給出RBF網絡結構的其他參數的確定方法。
　　第五章是文章的實證部分，我們將傳統(tǒng)RBF模型和改