带权重的RBF神经网络银行个人信用评价方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (5): 258-262.

带权重的RBF神经网络银行个人信用评价方法

郭小燕1，张明2

1.甘肃农业大学　信息科学技术学院，兰州　730070
2.兰州城市学院　信息工程学院，兰州 730070

出版日期:2013-03-01 发布日期:2013-03-14

Method of personal credit evaluation of bank based on RBF neural network with weight

GUO Xiaoyan1, ZHANG Ming2

1.School of Information and Science Technology, Gansu Agriculture University, Lanzhou 730070, China
2.School of Information Engineering, Lanzhou City University, Lanzhou 730070, China

Online:2013-03-01 Published:2013-03-14

摘要/Abstract

摘要： 针对RBF神经网络确定核函数中心时没有考虑输入样本分类指标权重的问题，提出了一种动态加权聚类算法。在算法中利用样本之间的加权距离代替了欧氏距离作为选定核函数中心的量度。在此基础上，建立了信用评价模型，利用已知类别的样本对模型进行训练，再利用训练好的模型对未知类别的样本进行预测，实验结果验证了模型的有效性。

关键词: 基于权重, 径向基函数（RBF）神经网络, 模式分类, 信用评价

Abstract: A dynamic weighting cluster algorithm is proposed in this article in view of the problem of input sample’s classification weight being not considered by formerly RBF neural network. In this algorithm, the weighting distance replaces the Euclidean distance to act the role of measurement to the cluster. Based on this, the credit evaluation model is established, which is trained by known category sample. Then the trained model is used to forecast the unknown category sample, the experimental result confirms the model’s validity.

Key words: based on weight, Radial Basis Function（RBF） neural network, pattern classification, credit evaluation

郭小燕1，张明2. 带权重的RBF神经网络银行个人信用评价方法[J]. 计算机工程与应用, 2013, 49(5): 258-262.

GUO Xiaoyan1, ZHANG Ming2. Method of personal credit evaluation of bank based on RBF neural network with weight[J]. Computer Engineering and Applications, 2013, 49(5): 258-262.

[1]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[2]	周友行，赵晗妘，刘汉江，李昱泽，肖雨琴. 采用DDPG的双足机器人自学习步态规划方法[J]. 计算机工程与应用, 2021, 57(6): 254-259.
[3]	蔡瑞光，张德生，张晓. 基于双向选择的伪近邻算法[J]. 计算机工程与应用, 2021, 57(13): 102-107.
[4]	许瀚誉，冯翔，虞慧群. 万有引力与群体状态自适应的智能优化算法[J]. 计算机工程与应用, 2020, 56(9): 48-55.
[5]	曾春艳，马超峰，王志锋，朱栋梁，赵楠，王娟，刘聪. 深度学习框架下说话人识别研究综述[J]. 计算机工程与应用, 2020, 56(7): 8-16.
[6]	孙堂乐，李国辉. EEMD与RBF神经网络的太阳黑子月均值预测[J]. 计算机工程与应用, 2017, 53(24): 252-256.
[7]	周静1，赵鲁阳1，罗炬锋1，2. 基于时域特征提取的围栏入侵模式分类方法[J]. 计算机工程与应用, 2017, 53(21): 98-102.
[8]	陆亚男，南敬昌，高明明. 改进并行粒子群算法优化RBF神经网络建模[J]. 计算机工程与应用, 2017, 53(14): 45-50.
[9]	李安平1，2，刘国荣1，2，杨小亮1，沈细群2. 一类非等阶分数阶非线性系统的神经网络控制[J]. 计算机工程与应用, 2015, 51(20): 240-245.
[10]	谭乾1，江弋1，林凡2. 基于AHP-RBF的Swift云存储负载预测[J]. 计算机工程与应用, 2014, 50(8): 35-39.
[11]	陈鸿星. 基于遗传优化神经网络的网络入侵特征检测[J]. 计算机工程与应用, 2014, 50(14): 78-81.
[12]	周建政1，谌志群2，李治1，王荣波2，冯凯2. 问答系统中问题模式分类与相似度计算方法[J]. 计算机工程与应用, 2014, 50(1): 116-120.
[13]	钟金琴1，3，辜丽川2，檀结庆3，李莹莹3. 基于分裂EM算法的GMM参数估计[J]. 计算机工程与应用, 2012, 48(34): 28-32.
[14]	庞振，徐蔚鸿. 一种基于改进k-means的RBF神经网络学习方法[J]. 计算机工程与应用, 2012, 48(11): 161-163.
[15]	李慧，顾沈明. 基于RBF神经网络的赤潮预测方法[J]. 计算机工程与应用, 2012, 48(1): 228-230.