信用风险预警MA—RSFNN模型构建与应用.docVIP

信用风险预警MA—RSFNN模型构建与应用 　　摘要：为了克服模糊神经网络的维数灾难、结构复杂、局部早熟及收敛慢等缺陷，在设计一种模糊神经网络的基础上，将模因算法和粗糙集理论引入模糊神经网络，提出一种模因进化型粗糙模糊神经网络（MA-RSFNN）。新模型借助模因算法的全局搜索能力减少网络陷入局部极值的可能性，同时利用粗糙集知识约简对网络输入数据进行降维消冗，精简输入维度，避免“维数灾难”。实例仿真结果表明MA-RSFNN模型的预测准确性较高，是一类解决金融风险管理中高维复杂问题的有效方法。 　　关键词：信用风险预警； 模糊神经网络； 模因算法； 粗糙集 　　中图分类号：TP301.6 文献标识码：A文章编号：2095-2163（2013）06-0010-05 　　0引言 　　近年来，人工神经网络已广泛应用于信用风险预警等金融风险管理领域，研究表明神经网络预测准确性优于统计判别分析等传统预警方法，但其中的“黑箱”操作等缺陷却也导致了神经网络在信用风险管理领域的应用遭到多方质疑[1-2]。源自模糊理论与神经网络相融合的模糊神经网络（Fuzzy Neural Network，FNN）提高了网络的透明性、启发性及鲁棒性，在一定程度上克服了神经网络的“黑箱操作”，然而FNN也存在“维数灾难”、结构复杂、学习算法冗长、局部早熟等问题，由此也限制了其在金融风险管理领域中的应用[3]。据此，本文试图在对模因算法（Memetic Algorithms，MA）进行改进的基础上，结合粗糙集（Rough Set，RS）和模糊神经网络提出一种模因进化型粗糙模糊神经网络（MA-RSFNN）模型，旨在利用模因算法进行模糊神经网络的训练学习，发挥模因算法的全局优化能力，消减网络陷入局部早熟的可能性，使网络具有进化和学习的双重智能，同时借助粗糙集知识约简精炼训练集、降低输入维度，避免“维数灾难”现象。 　　1模因算法 　　模因算法（Memetic Algorithms，MA）由Moscato和Norman等人于1992年提出，是一种超启发式全局搜索混合算法，主要思想源自道金斯的文化进化思想和达尔文的自然进化法则[4]。其原理是在全局搜索策略中有机集成局域搜索策略，利用局部搜索策略的局部寻优能力提高算法的性能和收敛速度。相关研究表明模因算法在搜索过程中兼顾深度和广度，不仅有较强的全局寻优能力，同时算法收敛速度快，在许多问题上的求解获得了比遗传算法收敛速度更快[6-9]。 　　经典的模因算法通常采用遗传算法作为全局搜索策略，因此算法流程与遗传算法类似。根据文献[5]，模因算法的流程如图1所示。 　　2模因算法改进 　　模糊神经网络的训练学习是一个连续函数优化过程，以遗传算法为基础的模因算法能有效求解组合优化问题，但对连续空间问题的求解则效率不高。粒子群算法是一种源自对鸟类等生物群体觅食行为进行模仿的实编码优化算法，其概念简单、结构简洁，是求解实编码优化问题的有力工具。本文提出一种以粒子群算法为全局搜索策略，BP算法为局部搜索策略的改进型模因算法，以期设计出一种高效的模糊神经网络学习算法。 　　粒子群算法（Particle Swarm Optimization ，PSO）是一种基于群体智能的全局优化算法，其灵感源自鸟群、蚁群等生物群体的觅食过程[10-11]。目前，具有概念简单、算法简洁、隐含并行及全局收敛等优点的粒子群算法已广泛应用到决策分析、知识发现等领域[12-13]，并取得了丰硕研究成果。基本粒子群算法的数学描述如下[10]。 　　假设一颗微粒代表寻优空间中的一个解??算法初始化时随机生成一定数量的微粒构成种群，而后通过不断随机有向迭代寻求问题最优解。在迭代过程中，微粒通过跟踪个体及种群历史最优值，按式（1）、（2）不断调整个体的速度和位置以实现向最优解靠拢。 　　其中，式（3）为速度vij的调整量；速度vij为位置xij的调整量；w∈[0.4，0.9]为惯性因子；c1=c2=2.0为学习因子； r（·）∈（0，1）为随机数；pij和pg分别为个体及群体历史最优值。 　　2.2改进型模因算法 　　改进型模因算法基本流程如图2所示。 　　3模因进化型模糊神经网络 　　3.1网络结构 　　信用风险预警通常为多输入单输出的问题，参照文献[14-15]设计的模糊神经网络拓扑结构如所图3所示。 　　3.2网络学习算法 　　（1）编码。微粒的坐标值代表了模糊神经网络的模糊参数与权值，其编码如图4所示。 　　其中，yi为实际输出；yi为期望输出，P为群体规模。 　　（3）算法步骤。学习算法的主要步骤如下： 　　步骤一：初始化。设置全局搜索策略和局部搜索策略的相关参数，随机生成种群。 　　步骤二：BP算子。采用BP算法对每个