[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

说明书

技术领域

本发明涉及信用评价领域，特别涉及一种基于BP神经网络的个人信用评价方法及系统。

背景技术

随着银行业务的扩展、P2P的出现、第三方支付提供个人贷、以及宜信等借贷平台的出现，使得个人信用评价在银行、第三方支付、商业借贷平台等上的应用越来越重要。在线申请借贷已经成为互联网金融的一种重要方式，即时、快速、高效的在线审批成为大多数用户共同的需求。在大数据时代，通过各种搜索引擎在线抓取申请人的相关信息用于评价申请人的信用情况，为借贷平台提供了更为丰富的借款人信息。其次，在寻求风险最小化和利润最大化目标的驱动下，利用智能算法对贷款人进行审核，使原本复杂繁琐费时的人工流程，在线上就能快速高效地实现，同时避免信用不好的人获得贷款而信用好的顾客丢失。

对个人信用进行评价的相关要素的数学模型分布是非线性的，所以简单的感知器以及线性神经网络是无法对个人信用进行分类的。BP神经网络作为目前应用最多的一种神经网络，多层向BP神经网络具有实现任何复杂非线性映射的功能，个人信用评价作为一种内部机制复杂的问题，特别适合采用BP神经网络来解决。

在个人信用评价中，比较经典的方法是基于遗传算法优化的BP神经网络方法。遗传算法是全局优化算法，针对编码空间逐渐搜索且鲁棒性强，作为宏观仿生算法主要模拟自然进化理论和遗传变异理论，适用于维度高，规模大，环境复杂的优化问题。

另外一种比较经典的是基于粒子群优化算法优化的BP神经网络方法，该算法源于科学家对鸟群捕食行为的研究，具有典型的生物群体智能特点。粒子群优化算法易于理解，实现容易，精确度高在解决优化问题的时候显现出优异的搜索功能。

然而遗传算法优化BP神经网络有其不足：(1)遗传算法优化BP神经网络需要首先给定随机产生权值和阈值的取值区间，虽然神经网络收敛后，权值和阈值的绝对值一般都比较小，但是也有一些权值和阈值是较大的，因此权值和阈值的取值范围难以估计，若最优的权值和阈值不在范围内，基本遗传算法就很难搜索到最优解。2)遗传算法优化BP神经网络的子代种群个体数量与父代个体数量始终保持相同，导致子代中出现优秀个体的概率低，使得基于普通遗传算法优化的BP神经网络收敛速度慢且易陷入局部最优。

粒子群算法优化BP神经网络也有其不足：(1)算法局部搜索能力差，容易陷入局部极小值震荡，或者容易收敛于全局极值，忽略局部最优。(2)算法优化的BP神经网络，收敛速度比较慢。

因此，如何提供一种基于神经网络对个人信用评价的方法，能够扩大神经网络的权值和阈值的取值范围，权衡局部搜索和全局搜索，大幅提高神经网络的收敛速度，从而准确、快速地实现对个人信用的评价，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于BP神经网络的个人信用评价方法及系统，能够扩大神经网络的权值和阈值的取值范围，权衡局部搜索和全局搜索，大幅提高神经网络的收敛速度，从而准确、快速地实现对个人信用的评价。其具体方案如下：

一方面，本发明提供一种基于BP神经网络的个人信用评价方法，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。

优选地，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。