论文部分内容阅读
随着农村经济的飞快发展,农村的信用贷款需求也跟着增多。农村的信用贷款以农户小额信用贷款为主。而农户信用风险评估在农户小额贷款中至关重要,它的好坏制约着农村经济的发展。因此对于农户小额贷款风险评估系统的研究十分必要。本文首先介绍了农户信用评价的概念,以及农户小额信用贷款的概念,接着详细分析了国内外对农户小额信用贷款风险评估的研究,通过分析发现国内在这方面的研究不如国外。由于人工智能在信用评价应用中有很大优势,在国外已经广泛使用人工智能技术。而BP神经网络技术是人工智能技术中的一个重要技术,它有着较强的学习和自适应能力、较好的内在并行计算和存储,是一种稳定的非线性方法等优点,所以BP神经网络在农户小额信用贷款风险评估的研究中也得到应用。然而传统的BP神经网络有着收敛速度慢、易陷入局部极小等不足。针对这些不足,人们先后提出了很多改进的策略,比如加动量项、自适应学习速率、LM算法、人工免疫、遗传算法、粒子群优化算法等。本文使用了一种新兴的群体智能算法量子粒子群优化算法(QPSO)改进BP神经网络模型。量子粒子群优化算法(QPSO)有着调节参数少、简单易实现的优点,并且有着较好的收敛性能和全局搜索能力,能在一定程度上能够克服BP神经网络算法在收敛性能上的不足。通过加入自适应变异对量子粒子群优化算法(QPSO)进行改进,并取得了很好的效果。由于量子粒子群算法在早期收敛速度较快,所以在后期可能没有达到全局最优时已经聚集到某一点,形成局部极小。针对这一缺点加入自适应变异对量子粒子群优化算法(QPSO)进行改进。本文改进后的量子粒子群优化算法(QPSO)通过优化BP神经网络的权值和阈值,从而得到改进的BP神经网络模型。它与用遗传算法等改进的BP神经网络模型相比,能够更有效的提高BP神经网络的收敛速度,防止陷入局部极小。然后,将改进后的BP神经网络模型应用到农户小额信用贷款风险评估系统实验中。在仿真模拟实验中,从数据中随机抽取5组数据集进行实验,然后再取这5组实验结果的平均值与用传统BP神经网络进行对比,我们可以很明显的看出,经过改进的BP神经网络更能帮助我们提升信用评估过程中的精确性,错误的可能性也可以降低。本文最后从农户小额信用贷款风险评估的研究方面和改进BP神经网络方面进行了下一步展望。