基于多種計算智能方法的輔助決策系統(tǒng)的研究與應用.pdf

1、企業(yè)財務危機預測是非線性預測，各個影響因素之間又存在著復雜的組合決策關系，并且現(xiàn)實中的數(shù)據(jù)多為連續(xù)的，很難直接用于機器分類學習。企業(yè)財務危機預警問題本身的特點和復雜性，使其很難用傳統(tǒng)的統(tǒng)計分析方法進行建模。因此本文從分析財務預警問題的特點出發(fā)，融合了智能軟計算的多種方法建立了完整的預測模型?？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果的評價標準。然后利用遺傳算法全局、并行搜索的優(yōu)點，以上面提

2、到的3個因素作為啟發(fā)信息對所有條件屬性的割點集合進行最優(yōu)搜索。得到了離散化的數(shù)據(jù)后，用BP神經(jīng)網(wǎng)絡對數(shù)據(jù)進行分類學習。最終網(wǎng)絡學習訓練完畢后即可以對企業(yè)財務狀況進行預測。 論文主要工作： 1.改進了粗糙集一致性水平的計算模型。粗糙集一致性水平的標準計算模型，計算量大。尤其在用遺傳算法進行最優(yōu)割點搜索時，每一次遺傳進化迭代，都必須為種群中的每一個體計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。本文采用先構造

3、“粗糙集割點矩陣”的方法，用割點集合所能區(qū)分異類元組對的個數(shù)來描述決策表一致性水平的高低。同時又采用了時間換空間的策略，為決策表每一個條件屬性建立索引視圖，這樣可以減少一次排序操作，降低算法時間復雜度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。 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個影響離散化結果的重要因素。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。一個好的離散化算法，能夠對以后機器學習算法的執(zhí)行效率和分類結果產(chǎn)生非常積極的影響。 3.用VC維來輔助決定神經(jīng)網(wǎng)絡結構。VC維是統(tǒng)計學習理論中的一個核心概念，它是目前為止對函數(shù)集學習性能的最好描述，神經(jīng)網(wǎng)絡的VC維與拓撲結構之

5、間有著必然的聯(lián)系。BP網(wǎng)絡隱藏層神經(jīng)元數(shù)目一般都是通過經(jīng)驗值給定的，缺乏可靠的理論依據(jù)。本文用單隱藏層BP神經(jīng)網(wǎng)絡的VC維、以及誤差上限、訓練集的規(guī)模來估算BP神經(jīng)網(wǎng)絡隱藏層神經(jīng)元的個數(shù)。 4.用C[＃].Net、SqlServer2000、XML技術構建了《上市公司財務預警分析系統(tǒng)》。實現(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)，如迭代進化次數(shù)、交叉概率、變異概率、最優(yōu)保留個體數(shù)目等。實現(xiàn)了

6、BP神經(jīng)網(wǎng)絡工具箱，并對標準BP算法進行了改進，加入了動量因子、批量訓練、可變學習速率等優(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)元個數(shù)、批量或串行訓練方式、動量因子選擇、誤差允許的閾值。而且在BP神經(jīng)網(wǎng)絡訓練時，可以隨時保存當前網(wǎng)絡結構、查看網(wǎng)絡權值、并用現(xiàn)有網(wǎng)絡對測試集進行預測。本文自行設計了網(wǎng)絡學習防過度擬合策略，用戶只要預先給定預測正確率閾值，系統(tǒng)在訓練過程中將自動保存預測正確率超過設置閾值的網(wǎng)絡