基于长短周期记忆神经网络的信用贷款风险控制研究

发布时间：2020-06-14 01:36

【摘要】：随着我国经济不断发展,信用贷款市场不断扩大,大量信用贷款平台应运而生,越来越多的小微企业及个体商户需要通过互联网信用贷款平台申请贷款满足其资金需求。由此信用贷款风险控制成为信用贷款行业的热门研究领域,信用贷款风险控制领域的主要研究问题之一是信用风险分类问题。随着机器学习方法在信用贷款风险控制领域应用日渐成熟,大量的信贷风控问题已经从原来的人工审核或者统计学习解决方式转由计算智能解决方式。使用计算智能方式实现信用贷款风险控制并进行准确分类的核心在于根据贷款人提供的信息实现信息数据化并整理成为数据集;对数据集使用有效的特征提取方式发现影响分类结果的重要信息;针对数据集使用适合的分类模型;通过与其他较为成熟的分类模型进行对比实验以检验分类模型的实际分类效果。本文通过改进分类模型、数据信息统计整理、数据集特征提取、数据维度优化组合及核验四个方面对原有的信用贷款风险控制方式进行改进,提出了基于改进型长短周期记忆神经网络的信用贷款风险分类方法。在分类模型方面,本文首先对长短周期记忆神经网络进行了研究,总结了该神经网络结构使用梯度下降法作为学习方式的优缺点,然后使用共轭梯度法对其学习方式进行了改进。在实验数据方面,首先通过对大量实际贷款人提供的信息设计量化统计方式,进行初步的维度筛选,将信息统计并整理成数据集,随后使用径向基函数神经网络对数据集进行特征提取,获得各维度影响分类结果的重要程度,然后通过对数据维度的相关性及伪信息分析,对数据维度进行了优化组合并且对数据集信息进行了修订,最后对本文提出的信用贷款风险分类方法进行了多组对比及评价实验。本文创新性的使用共轭梯度法改进长短周期记忆神经网络的学习方式,有效克服了神经网络学习过程局部收敛速度慢的缺点,减少了学习训练的迭代次数,降低了程序运行时间,降低了训练误差,在一定程度上提升了分类准确率。利用径向基函数神经网络对数据集进行特征提取以及利用数据集维度优化组合方式,有效降低了冗余信息,加强了数据信息的准确性,最后通过评价实验与对比实验有效验证了信用贷款风险分类方法在信用贷款风险分类方面的效果。 【学位授予单位】：济南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;F832.4

【图文】：

结构图,人工神经网络,结构图,人工神经元

图 2.1 人工神经网络结构图神经网络的结构图可以看出，输入层节点神经元本身没有计算功的各元素值。隐含层节点是具有计算功能的神经元，也称为计算以有任意个输入，也就是可以连接多个输入层节点，但是只有下一层的多个节点作为输入。若称输入节点层为第 1 层，那么隐称为第 2 至第 N+1 层，由此构成 N+1 层人工神经网络。输入节见层，，而其他中间层则称为隐含层(hidden layer)，其中的神经元工神经网络是以人工神经元为节点，使用有向加权连接组成有向图是对如图 2.2 所示的生物神经元的模拟，而有向加权连接则是“的模拟。有向连接的权值表示连通的两个人工神经元连接作用的如图 2.3 所示。

模型图,生物神经元,模型

图 2.1 人工神经网络结构图通过人工神经网络的结构图可以看出，输入层节点神经元本身没有计算功能，其是输入向量的各元素值。隐含层节点是具有计算功能的神经元，也称为计算单元。计算单元可以有任意个输入，也就是可以连接多个输入层节点，但是只有一个输出出值将送往下一层的多个节点作为输入。若称输入节点层为第 1 层，那么隐含层各下至上依次称为第 2 至第 N+1 层，由此构成 N+1 层人工神经网络。输入节点与输点统称为可见层，而其他中间层则称为隐含层(hidden layer)，其中的神经元称为隐。此外，人工神经网络是以人工神经元为节点，使用有向加权连接组成有向图，其中工神经元就是对如图 2.2 所示的生物神经元的模拟，而有向加权连接则是“轴突——树突对”的模拟。有向连接的权值表示连通的两个人工神经元连接作用的强弱。神经元结构如图 2.3 所示。

【参考文献】