神经网络算法的优缺点

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篇神经网络算法的优缺点范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

神经网络算法的优缺点范文第1篇

关键词:负荷预测;神经网络;唐山电网;电力系统;电力负荷

中图分类号:TM714文献标识码:A文章编号:1009-2374 (2010)13-0124-02

一、预测意义

唐山是具有百年历史的沿海重工业城市,是河北省经济中心,同时也是中国经济发展前景最好的城市之一。特别是最近几年,随着国家产业结构与河北战略布局的调整,重大项目纷纷在唐山兴建,预计在未来几年唐山地区经济仍将快速增长。根据唐山电网用电情况统计数据,唐山电网2001年用电量158.266亿千瓦时,2008年用电量538.509亿千瓦时,平均年增长17.9%。综合考虑唐山地区经济发展与用电量增长因素,预计未来几年唐山电网电力负荷将保持较高的增长。中长期电力负荷预测是电力系统规划的基础,它在电力系统规划、新发电厂和发配电系统的建立过程中起到重要的指导作用。为了满足唐山电网负荷不断增长的需要,增加供电可靠性,对该地区进行科学合理的电力系统规划势在必行。因此,对唐山电网中长期的电力负荷进行预测具有重要意义。

二、预测方法选择

目前,电力负荷预测的研究已经十分成熟,许多方法和模型被引用到电力负荷预测中,其中比较常用的预测方法有以下几种:回归分析法、时间序列法、指数平滑法、神经网络法、灰色模型法、优选组合预测法、小波分析预测技术等。以上负荷预测的方法都有自身的优缺点以及适用范围。电力系统专家经过长期负荷预测实践,建议中长期电力负荷预测使用时间序列法与灰色模型法。由于未来几年唐山市将投产几个重大项目,唐山电网负荷将呈现不规则的跳跃式增长。因此,按照常规的预测方法对唐山电网的用电负荷进行预测将无法获得较满意的数据拟合度。神经网络算法能够实现较复杂的非线性映射,对大量的非结构性、非准确性规律具有自适应能力,应用于电力系统负荷预测,能够得到比传统预测方法更好的效果。因此,本文尝试使用神经网络算法预测唐山电网的用电负荷。

三、预测模型的建立

(一)确定神经网络输入量

输入层是神经网络结构的第一层次,该层次输入量的确定关系到神经网络训练的效率。特征量取得太少,则不能起到区分判断作用;取得太多则影响网络的训练速度。因此,合理地选择输入量,能提高网络的训练速度和预测精度。为了简化模型的结构,提高预测的精度,本文综合考虑中长期电力负荷预测的相关因素以及唐山电网的用电特点,确定以下五种影响电力负荷的经济因素作为神经网络的输入量即:“唐山地区的生产总值(GDP);第一产业用电量占总用电量的比重;第二产业用电量占总用电量的比重;第三产业用电量占总用电量的比重;生活用电量占总用电量的比重。”

(二)构造神经网络结构

本文应用的神经网络是由输入层、输出层和隐含层三层网络结构构成。理论研究已证明对于任何在闭区间上连续的函数,只要隐含层神经元数目足够多,就可以用只含一个隐含层的网络结构以任意精度来逼近,所以本文隐含层只取一层。第一层为输入层,神经网络的输入神经元为五种影响唐山电网用电负荷的经济因素,因此该层的神经元个数为5个;第二层是隐含层,隐含层神经元数根据下式求得:

或或h=lg2n (1)

其中k为样本数,n为输入层神经元数,m为输出神经元数,h为隐含层神经元数,a为1～10之间的常数。第三层是输出层,因为输出结果只有一个指标即唐山电网某年的用电量,所以输出神经元的个数是1。从而确定本文的神经网络结构为5×3×1。

(三)神经网络的训练算法

由于标准BP算法中,人为凭经验选取学习率和动量因子,往往会对网络学习速度产生较大影响,甚至会因为学习率选取不当而导致学习中发生振荡而不能收敛,这些缺点将影响整个预测的精度。本文采用改进的批处理式Vogl快速算法,进行网络训练。在网络训练过程中根据训练的实际情况自适应改变学习率η及动量因子α的大小:当前的误差梯度修正正确,则增大学习率,加入动量项;否则减少学习率,甩掉动量项。这样初始η值就可以相对随意的选取,避免上述缺点。自适应改变η及α的修正公式如下:

(2)

上式中ΔE=E(J)-E(J-1),表示神经网络前后相邻两次学习过程中误差函数的变化量。φ略大于1,β略小于1。E (J)为神经网络第J次训练过程中的误差函数:

(3)

式中:pt',和Ot分别表示神经网络对应于第t个输入向量的期望输出和实际输出。

(四)预测实施

唐山电网2001～2008年用电量、生产总值以及各产业用电占比情况的历史数据见表1:

表12001～2008年唐山电网用电情况统计

年份 生产总值

/万元 用电量

/亿千瓦时 一产用电

/% 二产用电

/% 三产用电

/% 生活用电

/%

2001年 9150473 158.266 3.8 83.4 5.5 7.2

2002年 9993543 180.420 3.3 84.6 5.5 6.6

2003年 11022878 233.638 2.2 87.7 4.8 5.3

2004年 17616311 290.260 1.7 89.1 4.5 4.7

2005年 20276374 358.800 2.4 89.1 4.0 4.5

2006年 23621410 432.752 2.1 89.3 4.2 4.5

2007年 27794190 520.020 1.3 90.5 4.1 4.1

2008年 36132447 538.509 1.2 90.0 4.4 4.4

根据2001～2008年唐山电网用电量的历史数据,分别使用时间序列法、灰色预测模型与神经网络算法对唐山电网的用电量进行预测。使用2001～2006年的历史数据预测2007年、2008年的用电量,并将预测结果与真实数据做对比,以分析三种预测方法的误差。通过

Matlab软件计算,三种预测方法的预测结果及误差情况,见表2:

表2用电量预测值及误差表

序号 年份 用电量 灰色模型 时间序列法 神经网络

预测值 误差 预测值 误差 预测值 误差

1 2007年 520.020 501.1 3.64% 487.9 6.41% 531.7 2.25%

2 2008年 538.509 512.4 4.85% 503.9 6.75% 559.4 3.88%

通过上表我们可以看出以上三种预测方法的误差除了时间序列法的误差较高外,都在允许的范围内。灰色模型与神经网络算法都可以较准确的预测出唐山电网的用电量。相比而言,神经网络算法预测对于历史数据的拟合度更高,神经网络算法更适用于唐山电网中长期的电力负荷预测。因此,本文使用神经网络算法对唐山电网未来五年的用电负荷进行预测,通过Matlab软件计算,预测结果见表3:

表3唐山电网用电负荷预测

序号 年份 年用电量(亿千瓦时) 年最大负荷(MW)

1 2009 584.282 7637.677

2 2010 625.182 8172.314

3 2011 665.819 8703.514

4 2012 725.077 9478.127

5 2013 781.633 10217.42

四、结论

本文研究了神经网络算法在唐山电网中长期电力负荷预测中的应用。研究结果表明,应用神经网络算法比时间序列法、灰色模型有更高的预测精度,神经网络算法可以较准确的预测唐山电网中长期的电力负荷。

参考文献

[1]于之虹,郭志忠.数据挖掘与电力系统[J].电网技术,2001,25(8).

神经网络算法的优缺点范文第2篇

关键词 河流，人工神经网络，水质，Gauss Newton算法

1.前言

河流水体作为淡水资源的重要组成部分，在灌溉、人类生活用水的供应、生活污水和工业废水的接纳等密切相关。水质的评价是一个复杂的问题，目前主要的评价方法主要有两大类，一类是以水质的物理化学参数的实测值为依据的评价方法；另一类是以水生物种群与水质的关系为依据的生物学评价方法。较多采用的是物理化学参数评价方法，其中又分单因子法和多项参数综合评价法。前者即用某一参数的实测浓度代表值与水质标准对比，判断水质的优劣或适用程度。多项参数综合评价法即把选用的若干参数综合成一个概括的指数来评价水质。多因子指数评价法用两种指数即参数权重评分叠加型指数和参数相对质量叠加型指数两种。参数权重评分叠加型指数的计算方法是，选定若干评价参数，按各项参数对水质影响的程度定出权系数，然后将各参数分成若干等级，按质量优劣评分，最后将各参数的评分相加，求出综合水质指数。数值大表示水质好，数值小表示水质差。用这种指数表示水质，方法简明，计算方便。参数相对质量叠加型指数的计算方法是，选定若干评价参数，把各参数的实际浓度与其相应的评价标准浓度相比，求出各参数的相对质量指数，然后求总和值。根据生物与环境条件相适应的原理建立起来的生物学评价方法，通过观测水生物的受害症状或种群组成，可以反映出水环境质量的综合状况，因而既可对水环境质量作回顾评价，又可对拟建工程的生态效应作影响评价，是物理化学参数评价方法的补充。缺点是难确定水污染物的性质和含量。随着计算机计算的发展，神经网络也被越来越多用在水质评价工程中。神经网络是一种非常适合解决复杂的非线性响应关系的数学模型。它可以用在分类、聚类、预测等方面，通过历史数据对神经网络进行训练，网络可以学习到数据中隐含的非线性映射关系。本文试图应用人工神经网络，来评价河流的水质，并对训练方法进行探讨，采用MATLAB语言编写相应的评价程序进行实例评价，试图找出此种算法和传统BP算法在水质综合评价中的优缺点。

2.网络结构和数据预处理

采用BP ANN网络，网络分一层输入层、一层输出层和几层隐含层组成。同一层之间的神经元之间没有联系，相邻两层的神经元之间通过连接权值和激活函数进行连接。在训练的过程中，通过不断调节连接权值来使网络的仿真结果逐渐接近期望值。本文采用4层的网络结构，两层隐含层都是4个神经元节点，输出层只有一个节点，代表评价结果，输入层5个节点，代表5个评价参数。

评价标准选《国家地表水环境标准》（GB3838-2002），训练样本直接由该标准生成。输出层和输入层进行线性归一化处理。

3.Gauss Newton算法

针对传统BP ANN算法的收敛速度慢，鲁棒性弱，容易陷入局部极小值的缺点，采用了改进的算法Gauss- ANN算法。激活函数采用sigmoid函数，层与层之间的连接权值和阈值随着每次的训练修正出新值。每次训练用Gauss- ANN方法计算出权值和阈值的修正值。

4.结果

为了验证Gauss-Newton算法的性能，将它与传统BP算法进行比较。使用生成的训练样本进行训练，两种算法各训练10次，每次训练最多迭代200000次，网络误差函数为所有训练样本误差的平方和。误差为3.0的时候认为网络收敛。表1为训练过程对比，表2为水质的评价结果。从结果看，水质都在地表水环境质量标准里面的1类水水平。

表1 两种算法训练和评价结果比较

传统BP算法 RPROP算法

迭代次数 200000 22700

误差 12.25 6.0

收敛次数 1 3

训练样本准确率（%） 75.1 92.5

验证样本准确率（%） 74.2 91.2

表2 评价结果

NH3-N TP COD BOD 评价结果

断面I 0.002 0.034 3 1.0 1.22

断面II 0.002 0.020 4 1.0 1.17

断面III 0.002 0.012 2 1.0 1.13

5.建议

（1）使用的训练算法，使神经网络的收敛速度加快，鲁棒性加强，适合用在水质评价工作。

神经网络算法的优缺点范文第3篇

关键词：模糊控制；滑模控制；复杂系统

中图分类号：G632 文献标识码：B 文章编号：1002-7661（2014）14-094-01

随着控制理论实践的不断深入，被控对象的结构及数学模型也越来越复杂，呈现出时变性、多输入多输出、高度复杂性、非线性、不确定性等特点。面对这些复杂特征，传统的基于精确数学模型的控制理论的局限性日趋明显，于是出现了诸如变结构控制、自适应控制、模糊控制、神经网络控制以及智能控制等新的控制手段。本文就模糊滑模控制的产生及发展现状做简单介绍。

滑模控制因其独特的优势在伺服机构、飞行器控制等领域有着广阔的发展前景。但是，实际系统由于切换装置不可避免地存在惯性，变结构控制在不同的控制逻辑中来回切换，会导致实际滑模运动不是准确地发生在切换面上，容易引起系统的剧烈抖动。这一缺点使其在实际应用中受到了很大的限制。抖动不仅影响控制的精确性，增加能量消耗，而且系统中的高频未建模动态很容易被激发起来，破坏系统性能，甚至使系统产生振荡或失稳，损坏控制器部件。而将模糊控制与滑模变结构控制结合应用来克服变结构控制所带来的抖动便成为很多专家学者的研究重点。

一、常规模糊滑模控制

模糊控制和滑模变结构控制各有优缺点，有某种相似之处，又有互补之处。90年代以后专家学者把二者结合，构成模糊滑模控制，实现两者之间的取长补短。同时还可在一定程度上削弱或克服滑模变结构控制的抖动现象。目前，模糊控制与滑模变结构控制的结合运用主要有以下三种方式[1]。

1、通过模糊控制规则自适应地调节符号函数项的值，可以在保证趋近速度和减小抖动的前提下较好地选择和 。

2、通过模糊控制规则直接确定滑模控制量，即直接把切换函数及其微分 作为输入量，通过模糊推理获得滑模控制的控制量。

3、变结构控制、模糊控制的复合控制策略。在大偏差时采用滑模变结构控制，在小偏差时采用模糊控制的运行方式。

二、自适应模糊滑模控制

普通的模糊滑模控制的设计仍然是基于经验的。由于模糊规则的选取有很大的任意性，在很多情况下有效经验的获取并不是容易的事。为了达到一定精度，选择的模糊规则可能非常复杂[2,3]，且系统参数在控制过程中也没有自适应和自学习能力。为使系统在不确定性以及对象出现参数和结构变化的情况下保证不变性，自适应模糊滑模控制应运而生，并成为非线性系统自适应控制方法研究的主流[4]。

三、基于模糊神经网络的滑模控制

人工神经网络同样具有自学习和自适应的能力。它和模糊系统的结合有助于扩大二者在滑模控制领域内的应用。模糊神经网络（Fuzzy Neural Networks, FNN）结合了模糊控制与神经网络控制两者的优势，不仅具有神经网络自学习和快速处理的能力，而且具有模糊控制系统能够充分利用先验知识、以较少的规则数来表达知识的优势，避免了神经网络不能很好地利用已有经验知识，往往将初始权值取为零或随机数使网络训练时间变长或者陷入非要求的局部极值的缺点，也避免了模糊控制由于缺乏自学习和自适应能力，给控制器参数的学习和调整带来的困难。模糊神经网络与滑模控制的结合应用可以通过以下几种方式：一、用T-S模糊神经网络等价系统不确定的动态特性 和 ，再按一般滑模控制的方法形成控制律。控制过程中FNN 的参数根据实际系统的输入输出数据在线自学习。或者以 为输入的标准模糊神经网络实时估计系统动态不确定性的上界，以此与状态反馈相结合构造滑模控制。也可用结构自组织的广义参数学习的模糊径向基函数网络完成系统动态不确定性的等价，在此基础上构造系统的滑模控制律。这几种方式均是通过模糊神经网络来等效系统不确定项的，也可直接采用模糊神经网络构造滑模控制率，如：L in等[8]直接用以 为输入的标准模糊神经网络构造滑模控制律，基于 最小化用梯度下降方法完成FNN的参数自适应；为了保证滑模产生条件存在，还构造了带符号函数的监督控制律。当与系统状态相关的李亚普洛夫函数值进入零的一个邻域时，监督律作用撤消。于是从总体上保证了滑模产生条件的满足和稳态时的无抖振。

四、模糊滑模控制与其它策略的结合

除了以上所描述的问题之外，关于模糊滑模控制和其它策略相结合还有其他诸多方面的内容，它们体现了控制理论的交叉融合。遗传算法作为一种优化算法，在模糊滑模控制中亦得到较多应用。可以采用遗传算法对控制器增益参数、模糊规则、隶属函数进行优化，有效减小或消除抖振。当然还有其他算法与模糊滑模控制的结合应用，在此就不在累述。

参考文献：

[1] 王翠红 自适应模糊滑模控制的设计与分析[D] 西南交通大学 2002

[2] Yoo B, Ham W. Adaptive fuzzy sliding mode control of nonlinear system [J]. IEEE Trans. Fuzzy Syst., 1998, 6(2): 315-321

[3] Yu X, Man Z, Wu B. Design of fuzzy sliding-mode control systems [J], Fuzzy Sets and Systems, 1998, 95:295-306

[4] Kaynak O, Erbatur K, Ertugrul M. The fusion of computationally intelligent methodologies and sliding mode control-a survey [J]. IEEE Trans. Industrial Electronics, 2001, 48(1): 4-17

[5] Lu Y S, Chen J S. A self-organizing fuzzy sliding mode controller design for a class of nonlinear servo system [J]. IEEE Trans. on Industrial Electronic, 1994, 41(5): 492-502

[6] Lin S C, Chen Y Y. Design of adaptive fuzzy sliding mode for nonlinear system control[C]. Proc.of IEEE Int. Conf. on Fuzzy Systems, 1994, (1):35-39

神经网络算法的优缺点范文第4篇

关键词：算法，地下水动态，预测，研究

 

一．问题的提出

地下水动态受一系列自然和人为因素的影响。研究表明，影响地下水位的主要因素有河道流量、气温、饱和差、降水量、蒸发量等，其变化是一个十分复杂的非线性过程。

关于地下水位的动态预测，目前有许多方法，但各种方法均存在优缺点。BP网络是利用非线性可微分函数进行权值训练的多层神经网络，由于其结构简单、可塑性强，故广泛应用于函数逼近、模式识别、信息分类和数据压缩等。

本文利用BP神经网络优良的非线性映射能力，探讨基于LM(levenberg-marquardt)算法的地下水位动态预测。

二．LM(levenberg-marquardt)算法

在BP神经网络的各种训练算法中，常用的有梯度下降法、共轭梯度法、牛顿算法等，每种算法都有其不足。其中牛顿法是一种基于二阶泰勒(Taylor)级数的快速优化算法，基本方法是

式中是当前的权值和阈值矩阵，是当前表现函数的梯度，为误差性能函数在当前权值和阈值下的Hessian矩阵（二阶导数）

|

牛顿算法通常比梯度下降法、共轭梯度法的收敛速度快，但对于前馈神经网络计算Hessian矩阵是很复杂的，付出的代价也很大。论文大全。

当表现函数是平方和的形式时，可以采用计算量更小、速度更快的训练算法，即LM(levenberg-marquardt)算法。论文大全。该算法不需要计算Hessian矩阵，Hessian矩阵可以用下面的矩阵来近似代替：

其梯度为

，

式中J是雅克比（Jacobian）矩阵，它含有网络训练误差的一阶导数，是权值和阈值的函数，e是网络训练误差矢量。

有

当=0时，就变成具有近似Hessian矩阵的牛顿法；当较大时，LM(levenberg-marquardt)算法就更接近小步长的梯度法。在迭代过程中，如果训练成功，就减小的值；如果训练失败，就增大的值。论文大全。这样，该算法每一步迭代的误差性能总是减小的，表现函数最终会减小到设定的值，并且逼近最小误差的速度更快，精度更高。

三．应用实例

本节以MATLAB7.0为平台,滦河某地的地下水动态模拟与预测实例来说明LM(levenberg-marquardt)算法的实际应用.

1）原始数据的引入与预处理

原始数据引自罗定贵等(见表一)， 这些数据是滦河某观测站24个月的地下水位实测序列值及5个影响因子实测序列值。河道流量、气温、饱和差、降水量、蒸发量都是影响地下水位的重要因子。本节通过LM(levenberg-marquardt)算法建立地下水位与各影响因子间的非线性关系模型。

表一 地下水位及影响因子实测值

神经网络算法的优缺点范文第5篇

信用评分模型作为信用风险管理的基础和核心,无论是对于建立社会征信体系还是对于金融机构的信贷资产管理,都有着不可替代的作用。其主要目的,在于尽量将能够预测借款人未来行为的指标加以整合,并统一成可以比较的单一指标,以显示借款人在未来特定时间内违约的可能性,所有的信用评分模型,无论采用什么理论或方法,其最终目的都是将贷款申请者的信用级别分类。为达到分类目的。当前，对个人信用评分模型的定义有多种，较为权威的种观点认为:“信用评分是预测贷款申请人或现有借款人违约可能性的一种统计方法。”这一观点指出了信用评分的作用和目的,不过随着信用评分模型的不断发展,信用评分已不仅是一种统计方法,也包含了运筹学,如数学规划法、非线性模糊数学(如神经网络方法)等。此外,信用评分的实际操作应用也与决策原则紧密相关，决策原则事实上决定了信用评分模型实现其目的和作用的程度。因此,对个人信用评分模型这一数学工具在金融和银行业中的应用来说,较为全面和恰当的定义应是,“信用评分是运用数学优化理论(包括统计方法、运筹方法等),依照即定原则或策略(损失最小原则或风险溢价原则),在数据分析决策阶段区分不同违约率水平客户的方法。

二、各类信用评分模型概述

1.判别分析模型

判别分析法是对研究对象所属类别进行判别的一种统计分析方法。进行判别分析必须已知观测对象的分类和若干表明观测对象特征的变量值。判别分析就是要从中筛选出能提供较多信息变量并建立判别函数，使推导出的判别函数对观测样本分类时的错判率最小。这种方法的理论基础是样本由两个分布有显著差异的子样本组成，并且它们拥有共同的属性。它起源于1936年Fisher引进的线性判别函数，这个函数的目的是寻找一个变量的组合，把两个拥有一些共同特征的组区分开来。

判别分析方法的优点:适用于二元或多元性目标变量,能够判断,区分个体应该属于多个不同小组中的哪一组。自身也存在不可避免的缺点:该模型假设前提是自变量的分布都是正态分布的,而实践中的数据往往不是完全的正态分布,从而导致统计结果的不可靠性。

2.决策树方法

决策树模型是对总体进行连续的分割,以预测一定目标变量的结果的统计技术。决策树构造的输入是一组带有类别标记的例子,构造的结果是一棵二叉或多叉树。构造决策树的方法是采用自上而下的递归构造。在实际中,为进行个人信用分析,选取个人信用作为目标属性，其他属性作为独立变量。所有客户被划分为两类,即好客户的和坏客户,将客户信用状况转换为“是否好客户”(值为1或0),而后利用数据集合来生成一个完整的决策树。在生成的决策树中可以建立一个规则基。一个规则基包含一组规则,每一条规则对应决策树的一条不同路径,这条路径代表它经过节点所表示的条件的一条链接。通过创立一个对原始祥本进行最佳分类判别的决策树,采用递归分割方法使期望误判损失达到最小。

决策树模型的优点：浅层的决策树视觉上非常直观，容易解释；对数据的结构和分布不需做任何假设；可以容易地转化成商业规则。它的缺点在于：深层的决策树视觉上和解释上都比较困难；决策树对样本量的需求比较大；决策树容易过分微调于样本数据而失去稳定性和抗震荡性。

3.回归分析法

回归分析法是目前为止应用最为广泛的一种信用评分模型,这其中以著名的logistic回归为代表。除此之外,线性回归分析、probit回归等方法亦属于此类。最早使用回归分析的Orgler,他采用线性回归模型制定了一个类似于信用卡的评分卡,他的研究表明消费者行为特征比申请表资料更能够预测未来违约可能性的大小。同数学规划方法中一样,假设已经通过一定的方法从样本变量中提取出了若干指标作为特征向量,回归分析的思想就是将这些指标变量拟合成为一个可以预测申请者违约率的被解释变量,自然就是违约率p,回归分析中应用最广泛的模型当属线性回归模型,它是对大量的数据点中表现出来的数量关系模拟出一条直线，回归分析的目标就是使目标变量值和实际的目标变量值之间的误差最小。因此最早将回归方法应用于信用评分研究的模型，就是简单的线性回归模型，目前基于logistic回归的信用评分系统应用最为普遍。

回归模型的优点:容易解释和使用；自变量可以是连续性的，也可以是类别性的;许多直观的统计指标来衡量模型的拟合度。缺点：不能有效处理缺失值，必须通过一定的数据加工和信息转换才能处理；模型往往呈线形关系，比较难把握数据中的非线形关系和变量间的互动关系，而且模型假定变量呈正态分布；模型受样本极端值的影响往往比较大。

4.人工神经网络法

近些年来,随着信用评分领域的研究深入,有学者将人工智能领域的一些模型算法引入到了信用评分研究中,人工神经网络模型为典型代表。人工神经网络是由大量简单的基本元件——神经元相互连接而成的自适应非线性动态系统,是一种把各种投入要素通过复杂的网络转换成产出的信息加工结构。神经网络模型本质上所解决的问题仍是分类或者说模式识别问题,但其原理却与其做方法迥然相异。人工神经网络有多种模型,比如BP神经网络、RBF神经网络、Hopfield网络等。BP神经网络为目前研究最为成熟、算法最为稳定同时应用也最为广泛的一种神经网络模型。

神经网络模型的优点：有效地捕捉数据中非线性，非可加性的数量关系；适用于二元性，多元性和连续性的目标变量；能处理连续性和类别性的预测变量。缺点：基本上是一个黑箱方案，难以理解；如果不经过仔细控制，容易微调于样本数据，从而不具备充分的抗震荡性和稳定性。

三、结语

信用评分作为一种严谨的基于统计学等理论的决策手段,正在逐渐被我国商业银行重视。信用评分系统的建设在我国属于起步阶段,应逐步建设适合我国特色的、高水平的信贷决策支持制度不但需要借鉴国外已有的理论研究成果和实践方案,更需要我国学界的创新或结合我国本土数据的实证研究。

参考文献:

[1]陈建:信用评分模型技术与应用.中国财政经济出版社,2005

[2]郭敏华:信用评级.中国人民出版社,2004

[3]孙薇:浅析信用风险评价方法.沿海企业与科技,2005