基于多種計(jì)算智能方法的輔助決策系統(tǒng)的研究與應(yīng)用.pdf

1、企業(yè)財(cái)務(wù)危機(jī)預(yù)測是非線性預(yù)測，各個(gè)影響因素之間又存在著復(fù)雜的組合決策關(guān)系，并且現(xiàn)實(shí)中的數(shù)據(jù)多為連續(xù)的，很難直接用于機(jī)器分類學(xué)習(xí)。企業(yè)財(cái)務(wù)危機(jī)預(yù)警問題本身的特點(diǎn)和復(fù)雜性，使其很難用傳統(tǒng)的統(tǒng)計(jì)分析方法進(jìn)行建模。因此本文從分析財(cái)務(wù)預(yù)警問題的特點(diǎn)出發(fā)，融合了智能軟計(jì)算的多種方法建立了完整的預(yù)測模型?？傮w過程如下：首先以粗糙集決策表一致性水平、區(qū)間平均信息熵、離散化程度等因素作為離散化結(jié)果的評價(jià)標(biāo)準(zhǔn)。然后利用遺傳算法全局、并行搜索的優(yōu)點(diǎn)，以上面提

2、到的3個(gè)因素作為啟發(fā)信息對所有條件屬性的割點(diǎn)集合進(jìn)行最優(yōu)搜索。得到了離散化的數(shù)據(jù)后，用BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行分類學(xué)習(xí)。最終網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練完畢后即可以對企業(yè)財(cái)務(wù)狀況進(jìn)行預(yù)測。 論文主要工作： 1.改進(jìn)了粗糙集一致性水平的計(jì)算模型。粗糙集一致性水平的標(biāo)準(zhǔn)計(jì)算模型，計(jì)算量大。尤其在用遺傳算法進(jìn)行最優(yōu)割點(diǎn)搜索時(shí)，每一次遺傳進(jìn)化迭代，都必須為種群中的每一個(gè)體計(jì)算其編碼所代表的一致性水平，這樣大大影響遺傳算法的執(zhí)行效率。本文采用先構(gòu)造

3、“粗糙集割點(diǎn)矩陣”的方法，用割點(diǎn)集合所能區(qū)分異類元組對的個(gè)數(shù)來描述決策表一致性水平的高低。同時(shí)又采用了時(shí)間換空間的策略，為決策表每一個(gè)條件屬性建立索引視圖，這樣可以減少一次排序操作，降低算法時(shí)間復(fù)雜度O(n·logn)。由于視圖只是元數(shù)據(jù)表的邏輯索引，也并不造成很大的空間浪費(fèi)。 2.提出了基于粗糙集一致性和信息熵的遺傳方法的離散化算法(LEGAD)。該離散化算法考慮了全面的啟發(fā)式信息，即同時(shí)考慮了決策表的一致性水平、離散化后區(qū)間

4、的平均信息熵、條件屬性離散化程度這3個(gè)影響離散化結(jié)果的重要因素。這樣可以最大程度的保證屬性離散化后，決策表的一致性不被破壞，保持決策表的相容性。并且由于考慮了信息熵，決策表的類別混亂程度低，分類能力就變強(qiáng)。一個(gè)好的離散化算法，能夠?qū)σ院髾C(jī)器學(xué)習(xí)算法的執(zhí)行效率和分類結(jié)果產(chǎn)生非常積極的影響。 3.用VC維來輔助決定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。VC維是統(tǒng)計(jì)學(xué)習(xí)理論中的一個(gè)核心概念，它是目前為止對函數(shù)集學(xué)習(xí)性能的最好描述，神經(jīng)網(wǎng)絡(luò)的VC維與拓?fù)浣Y(jié)構(gòu)之

5、間有著必然的聯(lián)系。BP網(wǎng)絡(luò)隱藏層神經(jīng)元數(shù)目一般都是通過經(jīng)驗(yàn)值給定的，缺乏可靠的理論依據(jù)。本文用單隱藏層BP神經(jīng)網(wǎng)絡(luò)的VC維、以及誤差上限、訓(xùn)練集的規(guī)模來估算BP神經(jīng)網(wǎng)絡(luò)隱藏層神經(jīng)元的個(gè)數(shù)。 4.用C[＃].Net、SqlServer2000、XML技術(shù)構(gòu)建了《上市公司財(cái)務(wù)預(yù)警分析系統(tǒng)》。實(shí)現(xiàn)了遺傳算法工具箱，提供給用戶友好的UI界面，可以自由輸入各種遺傳算法初始參數(shù)，如迭代進(jìn)化次數(shù)、交叉概率、變異概率、最優(yōu)保留個(gè)體數(shù)目等。實(shí)現(xiàn)了

6、BP神經(jīng)網(wǎng)絡(luò)工具箱，并對標(biāo)準(zhǔn)BP算法進(jìn)行了改進(jìn)，加入了動量因子、批量訓(xùn)練、可變學(xué)習(xí)速率等優(yōu)化方法。系統(tǒng)提供了友好的UI界面，用戶可以自由選擇各種參數(shù)，如隱藏層神經(jīng)元個(gè)數(shù)、批量或串行訓(xùn)練方式、動量因子選擇、誤差允許的閾值。而且在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)，可以隨時(shí)保存當(dāng)前網(wǎng)絡(luò)結(jié)構(gòu)、查看網(wǎng)絡(luò)權(quán)值、并用現(xiàn)有網(wǎng)絡(luò)對測試集進(jìn)行預(yù)測。本文自行設(shè)計(jì)了網(wǎng)絡(luò)學(xué)習(xí)防過度擬合策略，用戶只要預(yù)先給定預(yù)測正確率閾值，系統(tǒng)在訓(xùn)練過程中將自動保存預(yù)測正確率超過設(shè)置閾值的網(wǎng)絡(luò)