基于BP神经网络的企业财务风险评价模型

本文选取了近千家企业的财务数据作为样本,建立了基于BP神经网络的企业财务风险评价模型,通过对实验样本的抽取以及标准化处理,进行了模型优化,选择了适合解决该问题的网络参数,并利用试错法找到了误差性能最好的网络结构,通过网络测试,对该模型的可靠性进行了分析。结果表明,该模型优于传统的专家评价方法。     

虚拟企业伙伴选择的BP神经网络模型研究

针对当前虚拟企业伙伴选择方法存在的不足,提出了虚拟企业合作伙伴选择的BP神经网络模型。文中首先构建了虚拟企业合作伙伴选择评价指标体系,在该体系的基础上,构建了BP神经网络评价模型,并通过MATLAB神经网络工具对其进行模拟计算。最后,给出了一个典型算例。     

基于贝叶斯正则化神经网络虚拟企业敏捷性评价

高敏捷性是虚拟企业适应不断变化的市场必备的素质,如何对它进行准确评价是虚拟企业运行中的重要问题,针对此问题先对虚拟企业及其盟员敏捷性之间的关系分析,然后提出在已知虚拟企业盟员敏捷性的基础上用贝叶斯正则化神经网络来计算虚拟企业的敏捷性,最后通过仿真试验测试了该方法的可行性。实验结果证明与非正则化神经网络相比,贝叶斯正则化神经网络的泛化能力强,评价数据结果稳定。该方法可用于各种规模的虚拟企业评价。     

基于模糊多属性决策的虚拟企业风险评价方法

虚拟企业在帮助企业获得反应灵活性的同时,也不可避免地蕴涵了诸多风险因素。在分析虚拟企业风险评价应该考虑的主要因素的基础上,建立了一套适用于虚拟企业风险评价的指标体系。并以三角模糊数的形式给出指标值和评价者的主观感觉值,将基于期望值的模糊多属性决策法引入虚拟企业的风险评价中。同时讨论了指标权重完全未知和部分未知时虚拟企业的风险评价问题,得到虚拟企业方案综合选择的优先顺序。实例说明了虚拟企业风险评价的具体过程。     

基于遗传算法和模糊综合评价的虚拟企业风险规划

虚拟企业是未来企业的潜在发展模式,虚拟企业的风险管理是当前研究的热点问题,风险规划是风险管理的重要阶段之一.本文针对虚拟企业缺少历史资料、不确定因素多等特点,提出了非线性整数规划和模糊综合评价相结合的风险规划问题描述模型以及遗传算法与模糊综合评价相结合的问题求解算法.实例仿真验证了该方法的有效性.该方法能够实现在一定风险费用投入的情况下,通过优化组合风险处理措施,达到虚拟企业整体风险水平最低的目标,是虚拟企业风险规划的科学管理方法．     

基于随机层次分析法的虚拟企业风险评价

分析虚拟企业风险因素的层次结构以及量化评价中的不确定性,设计了随机层次分析法(SAHP)来对其风险进行评价.在随机层次分析法中,将专家咨询法过程中的不确定性描述为随机变量,得到随机判断矩阵.进而应用随机模拟方法确定随机判断矩阵中元素的估计值.运用随机层次分析法对某虚拟企业三个备选组建方案的风险评价进行了实证分析,阐明该方法对于多指标、不确定性的最优方案选择问题是一种科学、可行的方法.     

基于BP神经网络的企业信用评价研究

简单介绍了企业信用评价的一般模型以及BP神经网络的基本结构，在此基础上给出了一个具体的基于BP神经网络的企业信用评价模型。它把用来描述某类企业信用评价对象特征的信息作为神经网络的输入向量。而把代表相应综合评价结果的值即信用等级作为神经网络的输出，并用足够的样本训练这个网络，使不同的输入向量得到不同的输出量值。最后分析了使用BP神经网络技术评价企业信用等级的优越性。     

基于BP神经网络的教学质量评价模型研究

在现有评教体系基础上,结合问卷调查和主成分分析法,简化评价指标,并运用BP神经网络算法构建教学质量评价模型,经实测验证了网络预测结果的有效性和可靠性。     

基于BP神经网络的医院门户网站评价方法研究

本文简述对医院门户网站进行评价的意义;建立一套实用的医院门户网站评价指标体系,并通过统计检验证明有效;应用人工神经网络的评价方法,建立基于BP神经网络的医院门户网站评价模型;通过对安徽省15所三甲医院门户网站进行综合评价,证明人工神经网络方法应用于医院门户网站评价是可行和有效的。     

基于BP神经网络的信用卡违约风险预测

利用BP(Back Propagation)神经网络模型实现信用卡申请人自然信息对违约风险的预测,确定了违约风险的指标体系,通过对小样本数据的训练和仿真,实现了模型输出与目标输出的高度吻合.     

基于神经网络的威胁评估研究

威胁评估是战场损伤模拟研究的重要内容之一,对于开展更为深入的战场损伤模拟研究是非常重要的.威胁评估涉及的因素较多,且难于建立一种合理的评估准则和评估数学模型.该文根据战场损伤模拟中威胁评估的非线性特点,以及神经网络在解决非线性复杂问题所具有的独特优势,提出了基于神经网络的威胁评估方法,讨论了威胁评估神经网络模型的构建方法,并从某战损试验数据中选取训练样本,进行了实例分析,证明了该方法的可行性和有效性.     

组合评价方法在煤矿安全风险评估中的应用

研究煤矿安全风险准确评估问题,煤矿生产的复杂性导致煤矿事故的动态性、模糊性和随机性,且影响煤矿安全风险等级指标多,指标与风险等级之间呈复杂的非线性关系,导致传统评估方法的准确率低。为了提高煤矿安全风险评估的准确率,提出一种组合的煤矿安全风险评估方法。首先构建出煤矿安全风险评估指标体系,然后采用层次分析法计算各评估指标权重,且采用模糊方法建立判断矩阵,最后将其输入到BP神经网络学习建立煤矿安全风险评估模型。利用具体数据对模型性能进行了验证性测试。实验结果表明,相比较于其它评价方法,组合评价方法提高了煤矿安全风险评估的准确率,是一种有效的煤矿安全风险评估方法。     

基于改进小波神经网络的信息安全风险评估

由于信息安全风险评估具有非线性、不确定性等特点,采用传统的数学模型进行信息安全的风险评估存在一定的局限性。将人工神经网络(ANN)理论、小波分析及粒子群优化算法有机结合,提出了粒子群-小波神经网络(PWNN)的信息安全风险评估方法。首先,采用模糊评价法对信息安全的风险因素的指标进行量化,对神经网络的输入进行模糊预处理;其次,采用粒子群优化算法对小波神经网络进行训练。仿真结果表明,提出的改进的小波神经网络模型可实现对信息系统的风险因素级别的量化评估,克服现有的评估方法所存在的主观随意性大、结论模糊等缺陷,具有更强的学习能力、更快的收敛速度。     

基于神经网络的访问控制策略优化模型

访问控制是网络安全防范和保护的主要核心策略,其主要任务是保证网络资源不被非法使用和访问。将风险概念引入访问控制,分析了基于风险的权限委托以及权限再分配的基本性质;基于MUS集合的计算方法,给出了一种基于神经网络的风险评估方法。针对神经网络适合定量数据,而风险因素的指标值具有很大的不易确定性等问题,采用模糊评价法量化信息安全的风险因素指标,对神经网络的输入进行模糊预处理。仿真结果表明,模糊神经网络经过训练,可以实时地佑算风险因素的级别。     

P2P网络中基于信任的风险计算方法

由于P2P网络的开放性和动态性,对等点信息交换不可避免地会给系统带来安全问题。提出了运用信任评价与传统的风险计算相结合的方法来评估对等点信息交换中的风险。风险度的计算来源于信任风险和后果风险。信任风险是对节点长期累积行为表现的评价,反映了信任和风险之间的关系;后果风险是对节点短期行为所导致后果的评价。仿真实验表明,运用基于信任的风险计算方法可以有效地评估对等点间信息交换的风险。     

基于GTST-MLD的复杂网络风险评估方法

针对复杂信息系统复杂程度高、互影响性与互依赖性强,现有风险评估方法难以适应大规模网络安全风险评估与应用实践的需要的问题,研究了基于GTST-MLD的适合复杂信息系统的风险要素分析方法和整体风险评估方法,包括研究事故互依赖关系模型,进行风险要素建模以及风险传导分析,以提高针对复杂信息系统的风险评估能力和分析水平。结果证明,模型对复杂信息系统安全特性的目标、功能、结构、行为等因素予以综合,实现在更高的系统功能层面上对系统安全性的分析研究,为复杂信息系统的量化风险评估提供了可靠的量化分析手段。     

基于BP神经网络的汽车故障率预测

汽车在使用过程中总会有故障出现,对于汽车生产商来说,了解到汽车在一定期限内的故障率,可以制定相应的生产计划,减少时间成本和库存成本.汽车的运用条件十分复杂,汽车形成故障的因素也多种多样,找出影响汽车故障率的因素,定性分析每个因素的权重,然后对样本数据进行整理分析,建立汽车故障的控制模型,运用Levenberg-Marquardt的改进BP神经网络算法训练网络模型,在此基础上进行预测,能够较精确的得到汽车故障率数据.     

神经网络的企业信用风险评估应用研究

研究企业信用风险评估准确性问题,企业存在产品质量、不良贷款等信用风险问题,企业信用风险是多种因素的综合结果,存在着不确定、非线性、随机性等特点,无法建立确定数学评估模型。只能根据专家评估指标为依据。为了提高企业信用风险评估准确率,提出一种BP神经网络的企业信用风险评估方法。先采用层次分析法构建风险评估指标体系,再用专家系统对评估指标进行量化打分,最后采用BP神经网络对企业信用风险指标进行非线性学习,并对企业信用风险等级进行评估。实验结果表明,BP神经网络的企业信用风险评估模模型能显著提高评估准确率,并能够反映企业信用风险的随机性变化特点,使评估结果更加符合实际情况,为企业信用风险评估提供了参考。     

基于改进BP神经网络的手写体数字识别

数字识别在许多领域有广泛的应用。通过对人工神经网络的研究与学习,运用改进的BP神经网络对无约束手写体数字识别过程中的数字样本进行识别。实验证明,该方法具有很强的抗干扰性,克服了传统BP算法的局限性,其识别率和准确率都有很大提高。