第五章神经网络模型.pptVIP

* 第五章 神经网络模型 前面所介绍的分析方法，都是利用统计方法的推论原理。以逻辑推算数量资料是统计方法的特色，也是它的限制，因为人类对事情的判断并不只是依靠逻辑数量分析，绝大多数都要参照各方面的信息，包括文字的、画面的、抽象的信息，才作出最后的判断与决策。 事实上，人类脑部组织可以纵分为各有所司的两部分：左脑与右脑。左脑负责逻辑与算术功能，右脑负责情绪、形象辨认与直觉。虽然正常人在生活上两者都必须应用，但是大多数的人仅擅长其中一个。科学家与数学家属于左脑导向型，艺术家与作家则较倾向右脑导向，即借重右脑来处理感觉、抽象概念的处理。以传统财务学或投资学中的基本分析与技术分析来说，二者均较倾向于左脑导向，需要大量的数学运算或逻辑推论。 但是在对信用风险进行评价时，除了数量方面的客观分析外，主观的定性方面的评价也具有极为重要的份量。也就是说，各项信息在人类大脑中已经累积的知识架构下，经过复杂的接收、处理、传送等程序，才作出最后的判断与决策。此一处理过程仍像个黑箱难以掌握，需要借助一个具有右脑导向的工具来处理，而人工神经网络与模糊分析就是在这样的目的下 所发展出来的处理工具，因为人工神经网络就是设法辨认投入资料当中的隐藏关系，再凭以预测未来趋势，很像右脑的功能；模糊分析则容许模糊的资料概念，不要求非黑即白的数值特性，更接近人类思考的模式。 第一节 人工神经网络 据一般估算，人类脑部是由约1 000亿个神经细胞（neuron）所组成，而每一个神经细胞都是一个处理单元，负责接收与结合来自其他神经细胞的信息。在同一时刻，脑中千千万万个神经细胞都在同步处理各种信息的接收与传递，这种复杂而精细的过程，使人类能够记忆、思考、累积经验，具有极高的学习能力，而非任何统计方法所能完全取代或是模拟出来的。 有基于此，试图仿照生物神经系统，将学习经验纳入评估模型，即成为一个社会科学努力的目标。人工神经网络就是在此一信念下所发展出来的一种方法。 人工神经网络的发展可追溯自1943年麦库洛克与彼特（McCullock Pitts）两位教授所发表的一篇论文“A Logical Calculus of ideas Immanent in Nervous Activity”①，该篇论文奠定了人工神经网络发展的理论基础。 一、基本特质与结构 1．基本特质 人工神经网络的构建是由生物神经网络所得到的灵感，基本上是在模拟生物神经系统，结合相关知识，建立一个简化的神经系统模式，希望能够拥有类似人类大脑平行计算及自我学习的能力。所谓自我学习，是利用不断重复的训练过程，使系统本身能够累积经验，达到学习效果。 在人工神经网络中，使用了大量的平行网络，网络上布满非线性的计算单元（节点）。网络上一个运作周期就是一个训练过程，由信号运算特性、网络拓扑及学习算法组成。训练过程中所有的知识都是以权值方式储存于节点上，来自其他的神经元所送出的信号，经过节点上的整合函数加权总和，再通过非线性函数的转换，将信号输出至其他神经元，此一程序通过大量的神经元彼此错综复杂的相连，便形成一个基本的人工神经网络架构。 其中每经过一次训练过程，就将模拟的结果与实际状况作比较，将其中的差异回馈到系统中，以调整节点的强度，如此即能获致自我组织及自我学习的效果。在与环境互动时，亦可调整自身的结构，以使系统结果能接近真实状况；人工神经网络还具有容错（fault tolerance）的特性，若是网络中有数个单元遭到损坏，不致影响整个网络的功能。 训练完成后的网络，就等于具备了一个智慧模组，再有任何资料输入，即可借助隐含在其中的知识来判断输入资料的属性。 2．基本结构 生物的神经细胞可分为三大部分：感知神经元（sensory neuron）、运动神经元（motorneuron）与衔接神经元（Interneuron）。 感知神经元负责接收及传送讯息，运动神经元负责将信号由脑部传送出去，而衔接神经元是作为神经间的连接。人工神经网络的基本结构即是模仿生物的神经细胞，分为三层：输入层、隐藏层与输出层。每一层内包括若干代表处理单元的节点。输入层的节点负责接收外在信息（见图16—1）。不同于人脑，人脑的输入机制是五官，负责接收各种影像、声音、味道、碰触等的输入信息， 而人工神经网络所接受的输入则是各种变量的数量化资料，—个输入变量对应一个输入节点；隐藏层的节点负责处理输入层传来的信息，并转化成中间结果传递给输出层，隐藏层并不限定一层，也可以增加为两层甚至更多；而输出层的节点就以该输出值与期望输出值比较后，得到系统最后的结果，并将结果输出。 同一层内的节点相互没有联结，相邻层的节点则完全联