基于自適應BP神經(jīng)網(wǎng)絡的納稅信用風險分類研究.pdf

1、稅收信用是社會信用體系的重要組成部分,誠信納稅在一定程度上反映了社會信用狀況。納稅信用風險分類管理，其本質(zhì)是根據(jù)納稅人履行納稅義務的情況，按照納稅人信用風險程度不同進行分類，根據(jù)不同的納稅人信用風險情況，進行針對性、差異化的管理。稅收信息化的迅速發(fā)展為納稅信用風險管理提供了大量的數(shù)據(jù)支持，如何基于歷史涉稅數(shù)據(jù)，利用數(shù)據(jù)挖掘技術實現(xiàn)對納稅信用風險進行科學有效地識別和分類，是當前稅務部門稅源管理實踐中一個新課題。
　　首先，針對BP神

2、經(jīng)網(wǎng)絡算法應用在納稅信用風險分類過程中，存在收斂速度慢、分類精度不高和泛化能力差缺點，提出了基于BP網(wǎng)絡誤差函數(shù)優(yōu)化的納稅信用風險分類算法BP-OEF。該算法將復合誤差函數(shù)融入到傳統(tǒng)BP神經(jīng)網(wǎng)絡算法中，引入了隱含層的誤差函數(shù)概念，利用誤差變化率為權重，根據(jù)誤差變化率自適應對BP神經(jīng)網(wǎng)絡的權值進行調(diào)整。在模型訓練的后期，憑借較大的誤差變化率依然能加快網(wǎng)絡的收斂速度和避免陷入局部極小點，為納稅信用風險分類模型的訓練提供了保證。
　　其

3、次，在應用BP神經(jīng)網(wǎng)絡算法構(gòu)建納稅信用風險分類模型時，為解決傳統(tǒng)神經(jīng)網(wǎng)絡中固定學習速率選擇對風險分類模型訓練造成的性能缺陷問題，提出了融入分層自適應機制的BP網(wǎng)絡納稅信用風險分類算法BP-LAAM。該算法在基于BP神經(jīng)網(wǎng)絡算法的基礎上，分別為隱含層和輸出層設置學習率，根據(jù)誤差大小和誤差趨勢，自適應調(diào)整學習速率，保證學習速率能自適應地保持在一個相對合適的位置，從而加快網(wǎng)絡的收斂速度和提高信用風險分類模型分類準確率和穩(wěn)定性。
　　最后