[发明专利]一种基于BP神经网络的个人信用评价方法及系统

权利要求书

1.一种基于BP神经网络的个人信用评价方法，其特征在于，包括：

获取包括个人信用评价数据及评价结果的训练样本；

利用所述训练样本对经过优化的BP神经网络进行训练，得到训练后模型；其中，所述经过优化的BP神经网络为经过多子代遗传算法优化的BP神经网络；

当获取到待检测个人信用评价数据时，则向所述训练后模型中输入所述待检测个人信用评价数据，得到所述训练后模型输出的评价结果。

2.根据权利要求1所述的方法，其特征在于，所述经过多子代遗传算法优化的BP神经网络，其优化过程包括：

A1：设置种群规模、交叉概率、变异概率、给定权值和阈值的初始区间、预设网络误差；

A2：在所述初始区间上产生初始种群，并将所述初始种群确定为当前父代种群；

A3：根据当前父代种群的适应度值，从当前父代种群中选择出预设数量的精英个体；在当前父代种群中选出父代个体，利用所述交叉概率和所述变异概率，对当前父代个体进行相应的交叉处理和变异处理，得到多子代个体；

A4：当前多子代个体与当前精英个体构成种群，根据种群个体适应度值，选择预设数量的个体形成新种群，并计算当前新种群的当前网络误差；

A5：判断当前网络误差是否小于或等于所述预设网络误差，如果是，则输出相应的网络权值和阈值，并结束；如果否，则对所述初始区间进行调整，得到新的当前区间，并将当前优化后的新种群中与当前区间对应的子种群确定为新的当前父代种群，并重新进入步骤A3。

3.根据权利要求1所述的方法，其特征在于，所述经过优化的BP神经网络的训练函数为弹性梯度下降法trainrp。

4.根据权利要求1所述的方法，其特征在于，所述经过优化的BP神经网络的输入层节点数与所述个人信用评价数据的项数相同。

5.根据权利要求4所述的方法，其特征在于，所述经过优化的BP神经网络的输入层节点数为24个，相应地，个人信用评价数据的项数为24项。

6.根据权利要求1所述的方法，其特征在于，所述经过优化的BP神经网络的输出层节点数为1个。

7.根据权利要求1至6任一项所述的方法，其特征在于，所述经过优化的BP神经网络，其隐藏层为两层。

8.根据权利要求7所述的方法，其特征在于，所述隐藏层的节点数为5个。

9.一种基于BP神经网络的个人信用评价系统，其特征在于，包括：

样本获取单元，用于获取包括个人信用评价数据及评价结果的训练样本；

网络训练单元，用于利用所述训练样本对经过优化的BP神经网络进行训练，得到训练后模型；其中，所述经过优化的BP神经网络为经过多子代遗传算法优化的BP神经网络；

信用检测单元，用于当获取到待检测个人信用评价数据时，则向所述训练后模型中输入所述待检测个人信用评价数据，得到所述训练后模型输出的评价结果。