神经网络量化综述

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇神经网络量化综述范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络量化综述范文第1篇

论文摘要：分析了模拟电路故障诊断的重要性和目前存在的困难，对基于小渡分析理论和神经网络理论的模拟电路故障诊断方法进行了综述．指出了小波神经网络应用于模拟电路故障诊断存在的问题和未来的应用前景。

模拟电路故障诊断在理论上可概括为:在已知网络拓扑结构、输人激励和故障响应或可能已知部分元件参数的情况下，求故障元件的参数和位置。

尽管目前模拟电路故障诊断理论和方法都取得了不少成就，提出了很多故障诊断方法，如故障字典法、故障参数识别法、故障验证法等。但是由于模拟电路测试和诊断有其自身困难，进展比较缓慢。其主要困难有:模拟电路中的故障模型比较复杂，难以作简单的量化;模拟电路中元件参数具有容差，增加了故障诊断的难度;在模拟电路中广泛存在着非线性问题，为故障的定位诊断增加了难度;在一个实用的模拟电路中，几乎无一例外地存在着反馈回路，仿真时需要大量的复杂计算;实际的模拟电路中可测电压的节点数非常有限.导致可用于作故障诊断的信息量不够充分，造成故障定位的不确定性和模糊性。

因此，以往对模拟电路故障诊断的研究主要停留在中小规模线性无容差或小容差的情况，有些方法也已成功地应用于工程实际。但如何有效地解决模拟电路的容差和非线性问题，如何解决故障诊断的模糊性和不确定性等是今后迫切需要解决的问题。小波神经网络则因其利于模拟人类处理问题的过程、容易顾及人的经验且具有一定的学习能力等特点，所以在这一领域得到了广泛应用。

1小波分析理论在模拟电路故障诊断中的应用现状分析

简单地讲，小波就是一个有始有终的小的“波浪”小波分析源于信号分析，源于函数的伸缩和平移，是Fourier分析、Gabor分析和短时Fourier分析发展的直接结果。小波分析的基木原理是通过小波母函数在尺度上的伸缩和时域上的平移来分析信号，适当选择母函数.可以使扩张函数具有较好的局部性，小波分析是对信号在低频段进行有效的逐层分解，而小波包分析是对小波分析的一种改进，它为信号提供了一种更加精细的分析方法，对信号在全频段进行逐层有效的分解，更有利于提取信号的特征。因此，它是一种时频分析方法。在时频域具有良好的局部化性能并具有多分辨分析的特性，非常适合非平稳信号的奇异性分析。如:利用连续小波变换可以检测信号的奇异性，区分信号突变和噪声，利用离散小波变换可以检测随机信号频率结构的突变。

小波变换故障诊断机理包括:利用观测器信号的奇异性进行故障诊断以及利用观测器信号频率结构的变化进行故障诊断。小波变换具有不需要系统的数学模型、故障检测灵敏准确、运算量小、对噪声的抑制能力强和对输入信号要求低的优点。但在大尺度下由于滤波器的时域宽度较大，检测时会产生时间延迟，且不同小波基的选取对诊断结果也有影响。在模拟电路故障诊断中，小波变换被有效地用来提取故障特征信息即小波预处理器之后，再将这些故障特征信息送人故障分类处理器进行故障诊断。小波分析理论的应用一般被限制在小规模的范围内，其主要原因是大规模的应用对小波基的构造和存储需要的花费较大。

2神经网络理论在模拟电路故障诊断中的应用分析

人工神经网络(ANN)是在现代神经科学研究成果的基础上提出来的，是一种抽象的数学模型，是对人脑功能的模拟。经过十几年的发展，人工神经网络已形成了数十种网络，包括多层感知器Kohomen自组织特征映射、Hopfield网络、自适应共振理论、ART网络、RBF网络、概率神经网络等。这些网络由于结构不同，应用范围也各不相同。由于人工神经网络本身不仅具有非线性、自适应性、并行性、容错性等优点以及分辨故障原因、故障类型的能力外，而且训练过的神经网络能储存有关过程的知识，能直接从定量的、历史故障信息中学习。所以在20世纪80年代末期，它已开始应用于模拟电路故障诊断。随着人工神经网络的不断成熟及大量应用，将神经网络广泛用于模拟电路的故障诊断已是发展趋势。BY神经网络由于具有良好的模式分类能力，尤其适用于模拟电路故障诊断领域，因而在模拟电路故障诊断系统中具有广泛的应用前景，也是目前模拟电路故障诊断中用得较多而且较为有效的一种神经网络。 　3小波神经网络的应用进展分析

3，1小波分析理论与神经网络理论结合的必要性

在神经网络理论应用于模拟电路故障诊断的过程中，神经网路对于隐层神经元节点数的确定、各种参数的初始化和神经网络结构的构造等缺乏更有效的理论性指导方法，而这些都将直接影响神经网络的实际应用效果。小波分析在时域和频域同时具有良好的局部化特性，而神经网络则具有自学习、并行处理、自适应、容错性和推广能力二因此把小波分析和神经网络两者的优点结合起来应用于故障诊断是客观实际的需要。

目前小波分析与神经网络的结合有两种形式，一种是先利用小波变换对信号进行预处理，提取信号的特征向量作为神经网络的输人，另一种则是采用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合第一种结合方式是小波神经网络的松散型结合，第二种结合方式是小波神经网络的紧致型结合。

3.2小波分析理论与神经网络理论的结合形式

小波与神经网络的松散型结合，即:用小波分析或小波包分析作为神经网络的前置处理手段，为神经网络提供输人特征向鱼具体来说就是利用小波分析或小波包分析，把信号分解到相互独立的频带之内，各频带内的能童值形成一个向觉，该向童对不同的故障对应不同的值，从而可作为神经网络的输入特征向量一旦确定神经网络的输入特征向童，再根据经验确定采用哪种神经网络及隐层数和隐层单元数等，就可以利用试验样本对神经网络进行训练，调整权值，从而建立起所需的小波神经网络模型。

小波与神经网络的紧致型结合，即:用小波函数和尺度函数形成神经元，达到小波分析和神经网络的直接融合，称为狭义上的小波神经网络，这也是常说的小波神经网络。它是以小波函数或尺度函数作为激励函数，其作用机理和采用Sigmoid函数的多层感知器基本相同。故障诊断的实质是要实现症状空间到故障空间的映射，这种映射也可以用函数逼近来表示。小波神经网络的形成也可以从函数逼近的角度加以说明。常见的小波神经网络有:利用尺度函数作为神经网络中神经元激励函数的正交基小波网络、自适应小波神经网络、多分辨率小波网络、区间小波网络等。

3.3小波分析理论与神经网络理论结合的优点

小波神经网络具有以下优点:一是可以避免M LY等神经网络结构设计的育目性;二是具有逼近能力强、网络学习收敛速度快、参数的选取有理论指导、有效避免局部最小值问题等优点。

在模拟电路故障诊断领域，小波神经网络还是一个崭新的、很有前途的应用研究方向。随着小波分析理论和神经网络理论的不断发展，小波神经网络应用于模拟电路故障诊断领域将日益成熟。

神经网络量化综述范文第2篇

现代企业身处全球经济和知识经济的环境中，竞争态势十分激烈，超竞争特征愈加明显，因此企业经营者必须随时掌握企业组织的经营绩效水平，这样才能准确地调整自身的战略，以有效提高企业的综合竞争力。根据文献综述和梳理的结果，目前应用于企业绩效评价的理论视角很多，但能够从内外部各个方面综合评价企业整体绩效水平的视角却较为少见。随着价值链会计理论的出现，学者们对于企业的经营绩效评价有了新的研究视角，即基于价值链会计的企业绩效评价研究。自从阎达五教授2003 年提出并构建了价值链会计的基本框架，戴德明教授从研究起点、分析动因、运作流程、理论框架和研究展望等方面为价值链会计的相关研究进行了基础性和开创性工作之后，国内外的学者们就对价值链会计进行了较为全面的研究，然而就可见的理论成果来看，目前对于价值链会计的研究基本还停留在较为基础的水平，其研究内容较为零散，尚未形成能用于指导实践的理论体系和实施方法；而且目前应用于价值链会计的研究方法还基本为规范研究和理论推演，采用案例分析和实证分析的成果还较为少见。综合企业绩效评价和价值链会计两个领域的研究现状和理论特征，可以看出，这二者有着明确的理论共通性和契合可能性。一方面，企业绩效评价的科学评价需要价值链会计这种既能够结合企业基础实践数据，同时还能够整合内外部评价模式的理论工具进行拓展性分析；另一方面，价值链会计的深入研究也需要借助企业经营业绩评价这一实施平台来进行深入研究和实践探讨。据此，本文拟首先根据价值链会计的相关理论，通过理论推演的方式归纳得出基于价值链会计的企业业绩评价指标体系；然后阐述了适用于价值链视角下的企业业绩评价的实证分析方法——模糊数学评价方法和BP神经网络分析方法；最后选取湖南省内的10家企业为实证样本，对价值链理论视域下企业经营绩效的评价方式进行了探讨。

二、基于价值链会计的企业经营绩效评价指标构建

根据价值链的相关理论，能够为企业创造价值并进而产生经营利润的活动可以划分为基本活动和辅助活动两大类：其中内部后勤、生产作业、外部后勤、市场营销和售后服务五种职能活动因属于企业日常经营过程中的实质性活动，而被称为基本活动；企业基础设施、人力资源管理、技术开发和采购四种活动因属于为基本活动提供支持作用的活动，而被称为辅助活动；这些活动之间的相互联系形成了价值网络，共同促进企业价值和经营利润的产生。笔者首先对关于企业绩效评价的相关文献进行整理和归纳；然后以频度统计法和理论分析法为研究工具设置评价指标体系；接着应用主成分分析法对评价指标进行因子归类和维度分析，应用极大不相关法对所筛选出的指标进行聚类和精炼；再采用德尔菲分析法从价值链九种活动上分别调整指标；最后从基本活动价值链和辅助活动价值链两个一级评价指标维度上归纳出基于价值链上九种活动层面的二级评价指标群，并分别概括出各二级评价指标群所分别对应的具体三级评价指标，其具体内容如表1所示：

笔者仅对二级评价指标群和三级评价指标进行涵义归纳：

（一）内部后勤层面 原材料输入活动效率代表了企业进行日常生产经营活动所需原材料输入活动的效率，该比率越高，说明企业原材料采购模块的运作绩效越好，从而也越有利于企业日常经营活动的履行；与上游合作伙伴协作活动效率代表了企业在外部价值链上与前向供应商间协作工作的效率。

（二）生产作业层面 产品合格率是指企业生产经营过程中合格品占总产品数量的比例；产品生产周期是指产品生产流程的总耗时；非增值作业率是指未能为企业经营创造附加值的作业数量占企业生产经营总消耗作业数量的比例；非增值成本率是指企业总体运营过程中非增值作业所耗费成本占企业总体运营成本的比例。

（三）外部后勤层面 产成品输出活动效率是指企业中间产品和产成品输出活动的效率，该比率说明企业对自己产品与终端市场衔接活动的效率高低，比率越高则证明企业价值链向销售终端延伸的绩效水平越好；与下游合作伙伴协作活动效率代表了企业在外部价值链上与后向供应商间协作工作的效率。

（四）市场营销层面 市场占有率是指企业各类产品占同类产品数量市场份额比率的加权平均值；产业内业务成长速度是指企业在同行业企业中业务成长的相对速度和绩效水平，该指标代表了企业在特定行业和时间维度上的相对竞争能力；市场应变能力是指企业针对商品供需结构、市场环境、政策等因素变化而调整经营策略、产品组成、营销方式等经营方式的适应性能力。

（五）售后服务层面 顾客投诉率是指企业所接受客户投诉次数占同期企业所产生总交易次数的比例；准确交货率是指满足时间正确、地点正确、数量正确和质量正确等交易条件交易次数占企业同期总交易次数的比例；成功解决投诉率是指企业接收到投诉后所成功解决数量占同期客户总投诉数量的比例。

（六）企业基础设施层面 企业文化健全程度是衡量一个企业核心价值观、核心员工素质和企业发展前景的指标；企业管理制度健全程度是衡量企业基础管理制度对于企业现在经营状况和未来运营趋势能否提供及时性和适合性支持作用的指标；企业信息化健全程度是衡量一个企业信息化制度是否足够健全和合理以促进企业价值链增值的指标。

（七）人力资源管理层面 员工的知识水平是指员工在企业持续性成长方面所需知识储备水平的高低；员工生产效率是指在一定经营周期内，企业员工活动对于企业总体价值创造和利润产生的贡献率高低；员工流失率是反映企业关键员工流失，企业的招聘、培训和替代成本水平的指标。

（八）技术开发层面 研发项目成功率是指企业所研发项目中市场和产品反映均显示能够达到所规定预期成功水平项目占企业投入资金项目总数的比例；新产品开发速度是指企业经营过程中所计划开发新产品数目中实际进入研发环节产品数量的比例；新产品投资回报率是新产品成功上市后，其表现出的价值创造能力和获利能力占企业前期投入资源总体水平的比例。

（九）采购层面 对供应商的满意度反映核心企业对供应商的综合满意度水平，该类指标能够用于评价企业总体经营价值链中上游供应商与生产商契合程度水平的高低；企业采购活动效率则用于评价企业经营过程中实施采购活动对于企业总体价值创造和利润产生的影响程度水平，该指标越高则表明企业的原材料供应越能得到保障，越有利于企业的价值增长。

三、企业经营绩效评价实证分析方法

为对价值链会计视角下企业经营的绩效水平进行适当的量化分析，根据前文所构造出的评价思路以及相关指标体系的基础上，还必须设计出一种适用于企业绩效评价的可行性途径。从前文归纳出的基于价值链会计的企业经营绩效评价指标体系内容可以看出，这些评价维度包括了企业日常经营的各个方面、生产经营链条的全部环节、企业运营时间维度的所有阶段；而具体指标集则概括了定量化评价指标和定性化衡量指标，因此无法将这些不同类别、不同属性和不同维度的指标进行简单的加权平均就直接用于企业经营绩效评价的实际过程。为了对价值链视角下企业的经营绩效进行合理评价，应首先通过模糊处理的方法将不同属性的指标进行归一化分析，以确保数量化指标和定性化指标能够被有效地放置在同一个研究框架下进行评价，其次还应当对各个维度指标的输入和输出数值进行模糊处理以计算得出整合评价所需的综合权重值；最后还需要通过合适的技术方法对企业绩效评价所需的数据单元和指标群体进行量化评价。为了达到上述研究目的，笔者引入模糊数学评价和BP神经网络作为企业经营绩效评价实证分析的数学处理工具。

（一）模糊数学评价方法简介 模糊综合评价是以模糊数学为理论基础，应用模糊关系合成的原理将一些属性不清、不易定量的因素定量化，从而进行综合评价的一种方法。该方法能够根据模糊数学的隶属度理论把定性评价转化为定量评价，即用模糊数学对受到多种因素制约的事物或对象做出一个总体的评价。它具有结果清晰、系统性强的特点，能较好地解决模糊的、难以量化的问题，适合各种非确定性问题的解决。主要分析步骤为：确定评价对象的因素论域，P个评价指标，u=u1，u2，……up；确定评语等级论域，v=v1，v2，……vp，即等级集合；从单因素来看被评事物对等级模糊子集的隶属度（R/ui），进而得到模糊关系矩阵，R=R│u1R│u2…R│up=r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm；在模糊综合评价中，确定评价因素的权向量：A=（a1，a2，……，ap）。权向量A中的元素ai本质上是因素ui对模糊子对被评事物重要的因素的隶属度。利用合适的算子将A与各被评事物的R进行合成，得到各被评事物的模糊综合评价结果向量B。即：

A·R=（a1，a2，……，ap）r11 r12 …r1mr21 r22 …r2m…rp1 rp2 …rpm=（b1，b2，……，bm）=B。其中b1是由A与R的第j列运算得到的，它表示被评事物从整体上看对vj等级模糊子集的隶属程度。实际中最常用的方法是最大隶属度原则，但在某些情况下使用会有些很勉强，损失信息很多，甚至得出不合理的评价结果。提出使用加权平均求隶属等级的方法，对于多个被评事物可以依据其等级位置进行排序。

（二）BP神经网络分析方法简介 BP神经网络是模仿生物神经网络功能的一种经验模型。其由输入层、中间层、输出层组成阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层神经元之间无连接，网络按有教师示教的方式进行学习，当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程。BP神经网络是误差反向传播神经网络的简称，它由一个输入层，一个或多个隐含层和一个输出层构成，每一次由一定数量的的神经元构成。这些神经元如同人的神经细胞一样是互相关联的。BP神经网络分析模型的结构如图1所示。BP神经网络最主要的优点是具有极强的非线性映射能力。理论上，对于一个三层和三层以上的BP网络，只要隐层神经元数目足够多，该网络就能以任意精度逼近一个非线性函数。其次，BP神经网络具有对外界刺激和输入信息进行联想记忆的能力。这是因为它采用了分布并行的信息处理方式，对信息的提取必须采用联想的方式，才能将相关神经元全部调动起来。再次，BP 神经网络对外界输入样本有很强的识别与分类能力。由于它具有强大的非线性处理能力，因此可以较好地进行非线性分类，解决了神经网络发展史上的非线性分类难题。所以BP神经网络本质上是一个非线性优化问题，它可以在已知的约束条件下，寻找一组参数组合，使该组合确定的目标函数达到最小。

四、基于价值链会计的企业经营绩效评价实例分析

笔者选取了湖南省内的10家企业为实证样本，应用层次分析法对各类指标的综合权重值进行计算，计算得出表1中企业绿色经营绩效25个三级评价指标的权重值为{0.037，0.033，0.049，

0.054，0.036，0.045，0.052，0.041，0.031，0.031，0.048，0.017，0.082，0.068，0.034，0.033，0.033，0.023，0.047，0.028，0.032，0.025，0.037，0.035，0.049}。

接着以模糊数学评价方法所确定的指标体系和权重值来计算10家样本企业的实际经营绩效。快速发展的MATLAB软件为神经网络理论的实现提供了一种便利的仿真手段，实证分析中BP网络算法的实现过程是基于MATLAB 编程计算的数据。MATLAB神经网络工具箱的出现，更加拓宽了神经网络的应用空间，神经网络工具箱将很多原本需要手动计算的工作交给计算机，一方面提高了工作效率，另一方面，还提高了计算的准确度和精度，减轻了研究人员的负担。神经网络工具箱是在MATLAB环境下开发出来的许多工具箱之一，它以人工神经网络理论为基础，利用MATLAB编程语言构造出许多典型神经网络的框架和相关的函数。

表2中的数据即为10家样本企业实际经营绩效的综合得分及排序，其中第一列表示企业代码，第二、三列分别为用线性加权法评价出的企业得分及排序。

五、结论

随着价值链会计理论研究的兴起，企业日常经营的各种活动都将受到价值链会计理论的指导，价值链会计能够合理地结合战略管理和会计学的相关方法，为企业日常经营提供准确的业绩指标和数据。本文的研究过程以价值链会计理论为研究视角，从价值链九种活动的维度上构建了企业实际经营绩效评价的指标体系，并引入模糊数学评价和BP神经网络分析方法作为整合分析评价指标数据的演化工具，进而确定了对样本企业实际经营绩效进行衡量和排序的途径，最后结合10家样本企业的数据对价值链会计视域下企业经营绩效进行了实证分析。本文的研究工作在理论方面能够完善价值链会计的理论研究框架，为企业实践中价值链运作绩效的提高构建了一个富有创新性的、科学的、逻辑性强的理论框架；在实践方面能够对样本企业运作中的量化指标和非量化指标分别进行合理的综合衡量，并进而对企业的实际经营绩效进行较为精确的计算。尽管本文的研究工作具备一定的探索性，但尚存在一些不足之处，主要缺陷在于价值链会计视角下所甄选出的企业绩效评价指标尚具有较强的主观性。对于不同类型的行业、不同属性的企业、不同的运作阶段和不同的经营地域的经营主体而言，其经营绩效的评价指标会存在一定程度的差异性。在日后的研究过程中可选取更多数量和类型的企业进行更为广泛的案例研究和实证分析。

参考文献：

[1]阎达五：《价值链会计研究：回顾与展望》，《会计研究》2004年第2期。

[2]程宏伟、张永海、李想：《基于模块化的价值链会计研究》，《会计研究》2007年第3期。

[3]吴勋、刘东限：《价值链会计基本理论浅探》，《对外经贸财会》2004年第2期。

[4]徐国强、高方露：《价值链会计对象论》，《天津商学院学报》2004年第24期。

[5]蒙高原：《价值链会计视角下的企业业绩综合评价体系》，《重庆工学院学报（社会科学）》2008年第7期。

[6]程防雯：《价值链会计研究》，武汉大学出版社2005年版。

[7]吴国森：《基于价值链会计的企业绩效评价指标体系研究》，沈阳工业大学2007年硕士学位论文。

[8]周霞、魏乐：《基于价值链的施工企业绩效评价体系构建》，《财会通讯》（理财版）2007年第6期。

神经网络量化综述范文第3篇

关键词：小波分析；模糊神经网络；递阶遗传算法

中图分类号：TP18 文献标识码：A 文章编号：1674-7712 （2014） 02-0000-02

智能交通系统（ITS）是近年来研究的热门课题之一。其中，交通控制与诱导系统是ITS研究的核心课题。而实现交通流诱导系统的关键是实时准确的短时交通流预测，即利用实时交通数据信息，及时、准确地预测未来短时间内交通流状况。

小波分析（Wavelet Analysis）是近年来发展起来的前沿数学方法，具有良好的时-频局部特性，在刻画非线性、非平稳信号方面具有明显的优越性[2]。模糊控制是无模型控制方法，具有很强的鲁棒性。但其量化因子是固定不变的，难以保证控制精度。而神经网络具有良好的学习和自适应能力，可以克服模糊控制的缺点。

本文采用小波基函数作为模糊隶属函数，构造模糊神经网络预测模型，利用神经网络的自学习能力和小波基函数的紧支性，增强模糊控制的自适应能力。同时采用递阶遗传算法实现网络结构和参数的优化。

一、交通流预测模型

（一）交通流时间序列。根据对城市某路口主干道相位的关键车流分析可知，某时刻的交通流量与本路段前几个时段的交通流量有关，并且上下游路段交通流状况对其也有一定的影响。

由于不同道路的交通状况存在差异，在交通流预测中，需要对不同路段、不同时段的交通流数据进行相关性分析。选择与预测路段相关性强的不同路段、不同时段的交通流信息作为模糊小波神经网络的输入值[3]。

按照以上的分析，可得到某路段在 时段的预测流量可表示为：

式中： 表示一种非线性函数关系；τ为一个计时时段；Qu、Qd分别为上、下游路段的交通流量；k1、k2、k3取不小于零的整数，通过相关性确定。

（二）基于模糊小波神经网络的预测模型。针对路况的实际情况，本文利用模糊小波神经网络预测模型实现对交通流实时预测。选取墨西哥帽状小波函数作为模糊隶属函数，即

模糊小波神经网络共分为四层，网络的输入端为（1）式右侧的历史交通流数据，即Q（t-k1τ）、Qd（t-k2τ）、Qu（t-k3τ），输出端为t+τ时刻的预测流量Q（t+τ）。

第Ⅰ层为输入层，输入输出关系[4]：

第Ⅱ层为模糊化层，对输入向量进行模糊化处理。将每个输入量划分为5个模糊词集。模糊隶属函数为小波基函数，输入xi对应第j个模糊语言变量的隶属关系为：

式中：i=1，2，3；j=1，2，3，4，5； ， 分别代表相应的伸缩因子和平移因子。本层的输入输出关系：

第Ⅲ层为模糊推理层，完成模糊规则的模糊操作。本层的输入输出关系：

第Ⅳ层为输出层，实现去模糊化功能。本层的输入输出关系：

式中： 是网络的连接权值；Q（t+τ）是网络的输出，即预测的交通流量。

二、基于递阶遗传算法的结构和参数优化

网络的结构优化包括预测模型的第三层节点数和网络的连接权值。网络的参数优化包括模糊隶属函数中的伸缩因子aij和平移因子bij。

（一）染色体编码。递阶遗传结构中的染色体由控制基因和参数基因构成，控制基因是二进制数，每一位对应一个隐含层神经元，控制与此相关的参数基因。当该位对应1则该位对应的神经元激活，其参数起作用。反之，该位对应的神经元休眠，其参数不起作用。这种层次结构的染色体编码方式能够同时表示神经网络的结构和参数，从而使递阶遗传算法在遗传寻优改变网络结构的同时，完成参数优化。

（二）选择初始种群。一个染色体对应一种模糊神经网络结构及其参数。初始种群中包含着对应于最大完全规则集及输入变量和输出变量在其变化范围内均匀划分模糊概念的个体，其余个体随机产生。如果对建模系统有一定的认识，可以将根据经验得到的规则集及输入输出模糊划分对应的向量选入初始种群，这样既充分地利用了先验知识，又保证了最终的系统至少不比经验式系统差。

（三）适应度函数。适应度是衡量种群中个体优劣的标志。由于递阶遗传算法要同时对神经网络的结构和参数进行优化，所以要使网络的误差函数和复杂度函数都达到最小，这是一个双目标优化问题。定义网络的适应度函数形式：

式中：f（i，t）表示第 代的第i个网络个体的适应度；E（i，t）表示第t代的第i个网络个体的网络误差；H（i，t）表示第t代的第i个网络个体的网络复杂度；0

（四）交叉和变异。在递阶遗传算法中，要同时对控制基因和参数基因进行交叉操作和变异操作。

交叉操作：层控制基因和神经元控制基因采用的是单点交叉的方式；参数基因由于采用的是实数编码的方式，交叉操作采用线性组合方式，将2个基因串对应交叉位的值，组合生成新的基因串。

变异操作：控制基因采用位变异，进行简单的逻辑取反操作；参数基因采用非均匀变异。

在遗传算法中，交叉率Pc和变异率Pm的取值应随着适应度的变化而改变。对应适应度高的解，取低的Pc和Pm，使其进入下一代的机会增大；对应适应度低的解，应取较高的Pc和Pm，使其被淘汰；当成熟收敛发生时，应加大Pc和Pm，以加快新个体的产生。

基于递阶遗传算法的特点，本文采用自适应交叉率Pc和自适应变异率Pm，表达式为[7]：

式中：0

（五）训练过程。利用递阶遗传算法优化网络结构和参数，可以实现网络权值训练和结构优化的同步进行。终止迭代条件是进化代数t等于进化终止代数T。算法实现步骤：Step1当t=0产生初始种群，决策变量的编码方案；Step2对控制基因进行解码，生成相应的神经网络；Step3计算种群中的个体适应度f（i，t），i=1，2，n根据个体的适应度选择n个个体作为父代；Step3对选中的n个父代中的控制基因和参数基因进行交叉和变异；Step4若t=T，输出进化结果，否则转步骤2。

三、实例分析

本文对某市解放路到胜利路路段进行交通流数据采集，采集的时间为7：00～18：00，采样周期为10min，递阶遗传算法的参数取值：种群规模取60，适应度中参数α=0.5，β=0.5，交叉概率中参数k1=k2=1，变异概率中参数k3=k4=0.5，进化终止代数取T=100。表1给出的是8：00-10：00的12个时段的交通流预测结果。

四、结束语

针对城市短时交通流的特点，本文以模糊神经网络为基础，将小波基函数作为模糊隶属函数，实现短时交通流的预测；采用递阶遗传算法实现网络结构和参数的同时优化。经实测数据验证，该网络在收敛性和对交通流预测精度等方面明显优于常规BP网络，具有适应性和鲁棒性强等特点，对实时交通流预测有良好的应用前景。

表1 交通流预测结果

参考文献：

[1]刘静，关伟.交通流预测方法综述[J].公路交通科技，2004（21）：82-85，

神经网络量化综述范文第4篇

【关键词】 神经网络； 财务危机； 预警模型

一、企业财务危机预警的现实意义

财务危机是由于种种原因导致的企业财务状况持续恶化，财务风险加剧，出现不能清偿债务的信用危机，直至最终破产的一系列事件的总称。财务危机将危害到企业正常的生产经营，制约企业的发展后劲，打乱企业正常的生产经营秩序，挫伤职工的生产积极性等。而有效的企业预警机制能够起到提高企业危机管理意识，提高企业适应能力和竞争能力等作用，对企业进行有效的监督和预警也直接关系到企业相关利益人决策、市场竞争机制的客观要求、财务监督、财务预测等方面。所以，对我国企业财务危机进行有效的预警就变得迫切和必要。

二、财务危机预警模型指标体系的选择

任何一种经济现象都具有多方面的特征，财务指标体系就是对经济现象特征的整体描述。在以往的研究成果和我国的企业评价指标体系的基础上，结合我国企业的具体特征，充分考虑各个指标的实际应用效果和获取指标的难易程度，可选择下列指标来建立适合我国企业财务危机预警模型的指标体系：资产负债率；流动比率；净资产收益率；总资产周转率；主营业务收入增长率和每股经营活动产生的现金流量净额。这些指标兼顾到了偿债能力、盈利能力、资产营运能力、增长能力以及现金流量状况五个方面，同时鉴于针对的是企业的财务危机的预警指标，所以在选择构成指标时，也适当侧重了企业的偿债能力和盈利能力指标。

三、基于BP神经网络的财务危机模型的建立及预测结果分析

（一）BP神经网络原理与财务危机预警的可行性分析

BP神经网络是一种调整连接权值及结点阈值时采用的误差逆传播学习方法，是一种典型的误差修正方法。其基本思想是：把网络学习时输出层出现的与“事实”不符的误差，归结为连接层中各单元间连接权值及阈值的“过错”，通过把输出层单元的误差逐层向输入层逆向传播以“分摊”给各连接单元，并据此对各连接权进行相应的调整，使网络适应所要求的映射（图1）。而财务危机预警的6项指标与企业的财务状况之间的关系是很难用普通的方法加以定量化的表述，而通过大量的样本表现出的数学统计学特征的准确表达正是神经网络的优势所在，为此，我们认为神经网络是可行的。

（二）财务危机预警模型样本的选择

考虑到我国近几年在经济、法律、会计方面进行了较大的政策调整，因此在选择样本的过程中我们选取了信息较为连续可比、取得较为容易的上市公司中制造业行业的6个子行业2000―2002年之间的数据，选择了行业中25家ST公司和25家非ST公司作为训练样本，ST公司样本数据为其被ST的前一年的数据资料，随机选择的非ST公司的样本数据为与ST公司同期的数据。我们还选择了2003年同行业的38家ST公司和随机选择的同期非ST公司作为检验样本，用模型的预测结果与已知的实际结果进行对照，以检验模型的准确性。选择这一期间的样本数据是因为这些样本数据的时间跨度不大，在这几年中，国家的会计制度、税收政策和退市制度也没有太明显的变化，整个国民经济的发展比较稳定，无明显的经济周期影响。

（三）网络结构及参数的选取

1.网络结构的确定

输入节点数由控制的目标确定，控制目标为6个，因此输入节点数为6个；输出节点数由风险因素确定，输出节点为2个。一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理函数，增加隐层数主要可以更进一步降低误差，提高训练的精度，本系统中只设一个隐含层，主要通过调节隐层节点数、动量项、学习率提高网络的训练精度。

2.各参数选取

把经过处理后88组样本数据输入到神经网络，前50组作为训练样本，后38组作为预测样本，网络的预期误差0.001。利用神经网络系统对学习数据反复训练，得到实验结果最好的一次，各参数如下：

动量项?准=0.3；学习率?浊=0.4；学习次数n=10000；隐层节点数p=6；网络实际误差?孜=0.0024

（四）财务危机预警预测结果分析

利用前述训练结果，对38个检验样本进行预测，预测的结果（表3）根据下列标准进行判断，如果预测结果逼近于1，则判断为非财务危机公司，如果预测结果偏离1就可判断有财务危机的可能性，可以发出财务危机预警。

通过预测结果与实际结果的比较，可以得出以下验证结果：

1.对于非ST公司，预测的准确率为94.74%；

2.对于ST公司，预测的准确率为84.21%；

3.综合预测准确率为89.47%。

四、该财务危机预警模型的局限性分析

利用神经网络进行财务危机预警模型的研究，从模型的训练和预测结果可以看出，还是具有一定的可行性和有效性。但也存在一些问题：

（一）忽视了企业规模对企业财务状况的影响

本次研究中所选择的ST样本是所属行业的全部样本量，而配对样本则是随机抽取的，在选择的过程中，没有重点关注企业规模对财务危机指标标准的不同要求。

（二）非ST样本公司的代表性

所选取的ST企业被界定为财务危机公司还不容易引起争议，但对非ST公司而言，每个公司仍然存在财务状况非常好、较好或一般的差异，因此用不同的非ST公司和ST公司配对，就不能排除财务危机公司财务状况之间的差异，这也直接影响了预测数据判别的准确率。

（三）ST界定自身具有的不适应性

根据我国对ST公司的划分标准，可以看出其主要看中的还是公司的盈利能力和资本结构比率，而财务危机是企业综合财务状况出现问题的集中表现，它受到多项能力和指标的影响，两者之间并不对等。

（四）神经网络理论自身的缺陷

神经网络自身擅长解决不精确和模糊的信息处理问题，在处理过程中，他会有自动删除样本“噪声”和自动调整的功能，如果其修正数据的过程中出现偏差，或训练过程中参数确定的不准确，也会直接影响预测的准确性。

（五）样本选择的局限性

本次预测过程中受诸多因素的影响，所选择的样本不具有普遍的代表性，局限在了上市公司，连续数据的选择也导致了数据的时效性较差，对当前新经济形势下的企业财务危机的参考作用有待观察。

五、结论

财务危机预警模型通过神经网络原理，在目前是可以实现的，只要在模型建立的过程中，将不稳定因素的影响降低到最低，就可以极大地提高预测的准确率。另外，由于不同的行业有其不同的生产和财务特性，他们的数据表现的要求也不尽相同，因此对于差异较大的行业，应适当建立行业财务危机预警模型，以更好地提高预测的准确程度。

当然，企业财务危机预警模型作为财务危机预警系统的一个有机组成部分。它的作用必须借助于整个系统作用的发挥，也需要企业的高层管理者确实认识到财务危机预警的必要性，才能真正实现对财务危机抑制和防范作用。

【参考文献】

［1］ 卢雁影.财务分析［M］.湖北:武汉大学出版社，2002:296-303.

神经网络量化综述范文第5篇

关键词：农户信用评估 指标体系 层次分析法 神经网络模型

信用缺失环境下的农户信用评估指标体系构建研究

社会信用体系是市场经济体制中的重要制度安排。党的十六大提出“整顿和规范市场经济秩序，健全现代市场经济的社会信用体系”。党的十七大提出“规范发展行业协会和市场中介组织，健全社会信用体系”。2011年10月19日国务院召开常务会议部署制订“十二五”期间社会信用体系建设规划，要求推进行业、部门和地方信用建设，建立健全覆盖全社会的征信系统，全面推进社会信用体系建设。但是，到目前为止，国内仍然没有统一完整的信用评估系统，而针对农户的信用评估指标体系构建在我国更是处于刚刚起步的阶段。近几年，随着农村金融的发展，农户的信贷行为日益增多，如何对农户的信用状况进行科学评估以判断农户的信贷能力，既是加快社会信用体系建设必须解决的现实问题，也是深化农村金融体制改革的重要理论问题，因此，构建一个完整的、行之有效的农户信用评估指标体系具有重要的理论与现实意义。

一、文献综述

国内外关于农户信用评估的文献不多，尤其是国内文献，数量很少，具有代表性的有以下几篇。Luis R.Sanint [1] （2001）提出了一个多期风险编程模型，他的实证结果表明信贷风险源自于放贷者对于农场收入变化的非价格反应，这些信用风险严重影响了一个农场流动性以及规避风险的效率。黄传森[2]（2008）论证了如何有效地对农户发放贷款，并且通过实际的调查证明了这些在当今的台湾是如何做到的。刘畅[3]（2009）提出了采用概率神经网络（PNN）的方法构建农户信用评分体系，他综合了15个信用指标，运用概率神经网络模型，对在湖北调查的数据信息所反映的农户信用状况进行拟合和预测，得到了预期的结果。胡愈[4]应用模糊数学构建农户信用等级的模糊综合评价模型， 利用不确定层次分析法确定指标权重， 为农户信用等级的评定提供一套科学可行的方法。由于单个评分模型有其自身的缺点，所以有些作者采用两种或多种模型来构建农户信用评估指标体系。周振[5]（2008） 利用主成分分析法（PCA）归纳出对农户信用评级有显著影响的因子，并引入人工神经网络进行农户信用等级的评估，为农户信用等级的评定提供一套科学可行的方法。杨宏玲[6]（2011） 提出了基于价值链风险分析与平衡积分卡方法的农户信用评价指标体系，以个人平衡积分卡为框架，通过对农产品价值链风险分析，找出影响农户偿还贷款的潜在因素，根据这些因素来选取评价指标，构建农户信用评估指标体系。此外，在组合模型的应用上，张广明[11]将模糊层次分析法（F-AHP）和ANN相结合，用于对电梯的风险评估中，实验证明用此方法进行评估所用的时间比ANN方法要少，且评估的准确性没有降低。

________

本文系作者主持的国家社会科学基金重大项目《加快社会信用体系建设研究》（批准号：12﹠ZD053）、国家社会科学基金重点项目《社会诚信制度建设和维护市场经济秩序问题研究》（批准号：11AZD026）和国家自然科学基金面上项目《社会信用制度建设关键技术、建设标准与实现机制研究》（批准号：71073047）的阶段性成果，感谢审稿人的宝贵意见，当然，文责自负。

就文献对比分析后，笔者认为国内关于农户信用评估指标体系的研究依然不够深入，在运用单个模型进行数据处理时，往往会因为模型自身的缺陷性而使得结果误差较大，因此本文拟采用组合模型的方法来构建农户的信用评估指标体系，以减少单个模型结果的误差。

二、模型选择及原理分析

层次分析法（Analytic Hierarchy Process简称AHP）是将与决策总是有关的元素分解成目标、准则、因素等层次，在此基础上进行定性和定量分析的决策方法。利用层次分析法得到个人信用评估指标体系因果关系比较明确，便于管理人员的分析研究，但是由于判断矩阵是通过专家打分得出，它的主观性比较强，容易受到个人意识的控制，所以精准度不高。

神经网络模型（Artificial Neural Networks简称ANN）是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。它包括输入层、隐含层和输出层。神经网络模型属于黑箱操作，前后指标层的因果关系不明确，但是模型会根据输出结果的精准度来自行调整模型内部的运行过程，所以精准度比较高，因此它和层次分析法可以互补，本篇文章正是基于两种模型自身的优势来构建组合模型。

组合模型构建的第一步是通过层次分析法得到二级子指标的赋值和相应的权重。第二步是将选中的二级子指标作为神经网络模型的输入层，通过SPSS中的clementine软件得到神经网络模型的输出层，也即是农户信用评估的结果。具体模式如图2-1所示：

三、指标体系构建及实证研究

1.指标的选取与赋值

本文按照层次分析法的原理，将指标设计为目标层—准则层—因素层，层次分析法旨在合理的确定农户信用评估指标及相应的权重，最终确定农户的信用状况，因此，层次分析法的目标层指标即为农户的信用状况。同时，众多研究资料表明，许多金融机构都将借款人的信用状况集中于“5C”之上，即传统的“5C”分析法，这种方法之所以适用性广泛，首先因为它包含的品质、能力、资本、抵押、条件5个指标基本涵盖了评价农户信用状况所需要的全部信息，其次，这些指标大都有标准的计量公式，相应的信息可以很容易获取。因此，本文选用“5C”分析法来确定准则层，最后，针对准则层中的每个指标赋予相应的二级子指标。

本文确立的农户信用评估指标体系的二级子指标中有少数的定性指标，这也是由农户信用状况的自身特征所决定的，这就使得我们无法对全部指标进行标准统一的衡量。为了解决这一问题，本文参考了已有学者的文献，采用分档评分法对这些二级指标进行赋值，以使得部分定性分析定量化。我们将各个指标按照特征或数值的大小按从低到高的顺序分为若干档，按照百分制给每一档赋予相应的分数，17个指标的分值之和是100分。

本文将构建的目标层—准则层—因素层指标体系用表3-1来表示：

2.基于层次分析法的指标权重的确定

层次分析法分为层次单排序和层次综合排序两步，在层次分析法的运用过程中，判断矩阵的确定是最为关键的一步。为了尽可能提高判断矩阵形成的科学性，在构造判断矩阵时，本文不仅采用德尔菲法对判断矩阵进行赋值，而且充分参考国内外个人信用评分的相关研究成果。由于一些研究成果是基于对大量样本数据的统计分析和实证研究产生，因此，参考这些研究成果可以在一定程度上减小德尔菲法赋值的主观性。

2.1层次单排序

（1）一级判断矩阵及指标权重的确定

层次分析法中判断矩阵的确定一般采用Seaty1-9标度法，根据标度法中相对重要程度的确定标准进行专家赋值，从而得到能够合理反应各个指标相对重要程度的判断矩阵。Seaty1-9标度法如下表所示。

判断矩阵的一致性检验的指标为C.R.，其中C.R.=CI/RI，CI=（ *W-n）/（n-1） =0.0085，n为指标个数，查表3-3，当 n=5时，RI=1.12，C.R.=CI/RI=0.0085/1.12=0.0076

（2）二级判断矩阵及指标权重的确定

根据Seaty 1-9标度法得到的品质指标、能力指标、资本指标、抵押指标以及条件指标专家赋值矩阵，分别表示为A1，A2，A3，A4，A5。

计算C.R.，五个矩阵的C.R.的值均小于0.1，所以五个判断矩阵均通过了一致性检验。

2.2层次综合排序

层次单排序确定了一级指标层对目标层的指标权重以及二级指标层对一级指标层的指标权重，层次综合排序也称层次总排序，是根据层次单排序的结果确定二级指标层对目标层的指标权重。

表3-4综合了一级指标层对目标层的权重、二级指标层对一级指标层的权重以及二级指标层对目标层的权重。二级指标层对目标层的权重是表3-4的最后一列，这一列数值的加总和是1。从最后一列的数字中我们可以看出，年平均收入水平、家庭资产负债率、家庭收支结构、过去的信贷历史记录、流动资产、劳动力人数占家庭人数比重、房产估价、健康状况、务工行业发展前景9项指标的权重值较高，都在4%以上，因此将这9个指标作为下一步神经网络模型的输入层，最终确定农户的信用状况。

3 基于组合模型的农户信用评估指标体系的构建

3.1神经网络模型结构的确定

本文设计一个三层次神经网络模型。

①输入层的节点数是由指标体系中指标的个数来确定，通过层次分析法的计算过程，本文选定权重比例在4%以上的9个指标作为神经网络模型的输入层，并且将农户的信用评级设定为一级、二级、三级、四级四个层次，依次对应的信用评分区间为（90-100），（80-90），（70-80），（0-70），从一级到四级信用等级依次下降。

②输出层的节点数m设定为2，一个节点表示农户的信用评级，一个节点表示农户的信用评分，从而更为清晰地看到农户的信用状况。

③隐层节点数的设计是根据以往经验而得的，本篇文章通过反复试验，发现当隐含层为13，学习率为0.9时，模型的结果最为平稳，因此，本文选取的隐含层数为13层。

3.2神经网络模型的计算结果

（1）采用AHP-ANN组合模型，以9个指标作为输入层的模型结果

本文选取713个样本数据，其中575个样本为训练样本，剩余的138个样本为测试样本。以层次分析法选中的9个指标作为神经网络模型的输入层，隐含层为13层，输出层为两层，分别是信用评级和信用评分。神经网络模型具有很强的随机性，在进行训练样本的选取时，每次抽取的结果不同，训练的拟合优度也不相同，测试样本的分析结果也不相同，因此，本文在隐含层为13，学习率为0.9的情况下反复操作10次，然后取其平均值，以减小由于随机抽样而导致的误差。10次模型运行结果如表3-5所示：

表3-6说明，神经网络模型在对训练样本的训练精度为88.28%的情况下，对测试样本的测试精度为81.81%，同时，对于信用评分这一输出指标，模型对测试样本的信用评分预测值与信用社统计的测试样本的实际值之间的平均误差为0.61，误差的标准差为4.684。

（2）仅采用ANN模型，以全部指标作为输入层的模型结果

为了与AHP-ANN方法做对比，本文将17个指标全部输入神经网络模型，即输入层指标为17个，通过反复验证，选定隐含层为20层，输出层指标仍为信用评级与信用评分，相同的方法操作10次，得到如表3-7所示的结果：

比较表3-6和表3-8可以看出，不采用层次分析法对指标进行筛选，而只采用神经网络模型将所有指标作为输入层变量得到的模型输出结果差于采用AHP-ANN方法得到的输出结果。具体表现在，仅采用ANN模型，在训练样本精度为87.97%的情况下，模型对测试样本的测试精度仅为77.52%，而对于信用评分误差的均值和方差，前后两种方法得出的结果没有太大差别，并且相比于信用评分这一指标来说，信用等级这一输出指标更为重要，因为信用社对于评分为85和88的客户设定为相同的信用等级，因此会给出相同的贷款限额。

（3）ANN模型与AHP-ANN模型结果的对比分析

通过AHP-ANN组合模型和ANN模型分别得到的以9指标作为输入层的农户信用评级与信用评分表和以全部指标作为输入层的农户信用评级与信用评分表，整理这些表格，利用excel绘制两种方法下农户信用评分的预期值与期望值偏离程度图以及农户信用评级的预期值与期望值偏离程度图，分别如图3-1和图3-2所示：

图3-1为根据信用评分的预测值与期望值的差值绘制而成的折线图，蓝色的曲线表示AHP-ANN模型所得到的结果，红色的曲线表示仅采用ANN模型得到的结果，与表3-6和表3-8中的结果相符，两种模型下农户信用评分的误差均值与标准差没有太大的差别。

图3-2 信用等级预测值与期望值的偏离程度图

图3-2为根据信用评级的预测值与期望值的差值绘制而成的折线图，这里我们将信用评级中的一级赋值为1，二级赋值为2，三级赋值为3，四级赋值为4，蓝色曲线表示AHP-ANN模型所得到的结果，红色曲线表示仅采用ANN模型得到的结果，与表3-6和表3-8中的结果一致，采用AHP-ANN组合模型所得到的农户信用评级的预测值，无论在偏离频率还是偏离程度上，都优于仅采用ANN模型所得到的输出结果。

四、结论及政策建议

通过以上分析可以得出结论：采用层次分析法对指标进行筛选，之后采用神经网络模型对农户的信用等级和信用评分进行预测是一种行之有效的方法，它不仅能够降低将所有指标作为神经网络模型输入层的数据冗余问题，大大降低了信用社调查农户信息所耗用的时间和成本，并且能够提高仅采用神经网络模型所得到的结果的精准度。

针对本篇文章的不足以及我国农户信用评估指标体系的缺陷，本文提出以下政策建议：1.完善农户的信用数据，建立规范完整的农户信用信息数据库。

完整且有效的农户信用数据是构建农户信用评估指标体系基础。目前，我国并不存在统一的农户信用信息数据库，笔者在收集农户信用数据时，采用的是走访农村信用社的方式，农村信用社一般采用纸质档案来保存农户的信用信息，而不存在相应的电子存档。这种信息储备方式不仅给相应的科研工作带了很多困难，同时也增加了农户信用数据丢失的风险，不利于农户信用信息的储存。此外，笔者认为，在收集农户信用数据时，应该选取全国各个省份的农户信息，这会使得农户信用数据更为全面，得出的信用评价结果也更具代表性和适用性。由于地理位置的限制，本文选用的农户信用数据仅来自于湖南省的几家信用社，其他省份的农户信用数据未能收集到，这也是本篇文章不足之处。因此，我国应该建立一个规范完整的农户信用信息数据库，它不仅有利于农户信用信息的储存，也有利于农户信用数据的共享和分析，有着很重要的现实意义。

2.提高信用评估模型的精准度，探索更为合理精确的信用评价模型。

收集到农户的信用数据之后，如何选择合理准确的信用评估模型来预测农户的信用评分和信用等级是构建农户信用评估指标体系的关键。本文选用层次分析法和神经网络模型来构建组合模型，计算出的精准度为81.81%，有待于进一步提高。其中采用层次分析法确定判断矩阵时采用专家打分法，这种方法有一定的主观性。笔者认为，可以将专家打分法与网上网下问卷调查法相结合，并且参考相关科研成果，共同确定相应的判断矩阵，这些方法的结合将会大大降低层次分析法的主观性，提高组合模型的精准度。此外，探索新的信用评估模型，使之具有层次分析法和神经网络模型的优点，并且摒弃主观性、黑箱操作等缺点，也是提高信用评估模型精准度的行之有效的方法。

3.完善农户信贷的隐性担保机制，建立统一的农户信用评估指标体系。

在确定农户信用评级时，应该注重家庭流动资产、家庭收入、家庭资产负债率、家庭收支结构等一系列隐性担保指标。笔者认为，在构建农户信用评估指标体系的同时，可以将这些隐性担保指标独立出来，形成一个隐性担保指标体系，并且针对隐性担保指标体系计算出相应的信用评分，将该信用评分与最终的农户信用评分结合起来，共同作为评价农户信用状况的依据，形成农户信贷的双保险。

同时，在走访信用社过程中，笔者发现，每个农村信用社都有一个单独的信用评价体系，这就使得相同的农户在不同的信用社有不同的信用评分和信用等级，同时造成了许多评估工作的重复进行，基于这种不足，我国政府机构或者是特定的信贷部门应该制定出农户信用评估指标体系的统一规范，建立一套能够让许多信用机构拿来使用的、行之有效的农户信用评估指标体系。

参考文献：

[1]Luis R.Sanint， Peter J.Barry.A Programming Analysis of Farmers' Credit Risks[J].American Agricultural Economics Association，2001，（5）：321-325

[2]Chuan-Hsin Huang.How to Grant Credit to Farmers Effectively：A Managerial Perspective[J].Intemational Joumat of Management，2008，（25）：300-307

[3] 刘畅 方靓.概率神经网络在农户信用评估中的应用研究[J]，湖北社会科学，2009，（11）：85-89

[4] 胡愈 许红莲 王 雄.农户小额信用贷款信用评级探究[J]，财经理论与实践，2007，（1）：30-34

[5] 周 振.构建农村信用社的农户信用评估体系[J]，现代农业， 2009，（6）：177-179

[6] 杨宏玲 郭高玲.基于BBC与价值链风险分析的农户信用评价指标体系探析[J]，2011，（6）：63-66

[7] 吴 冲.基于模糊神经网络的商业银行信用风险评估模型研究[J]，系统工程理论与实践，2004，（11）：40-48

[8] 吴晶妹 张颖 唐勤伟.基于农户信用特征的WU's三维信用评价模型研究[J]，财贸经济，2010，（9）：21-25

[9] 虞小波.民间借贷信用风险的实证研究及其与商业信贷、FICO的比较[D]，中国科学技术大学，2009

[10]张广明 邱春玲.模糊层次分析法和人工神经网络模型在电梯风险评估中的应用[J]，控制理论与应用，2009，（8）：931-93

[11]温涛 冉光和 王煜宇.农户信用评估系统的设计与运用研究[J]，运筹与管理，2004，（8）：82-87

[12]王树娟 霍学喜.农村信用社农户信用综合评价模型[J]，财贸研究，2005，（5）：35-39

[13]唐辉亮.农村信用社信用评估指标设计与运用[J]，经济理论研究，2006，（7）：91-93