[发明专利]一种基于灰狼算法优化BP神经网络的信贷违约预测方法

权利要求书

1.一种基于灰狼算法优化BP神经网络的信贷违约预测方法，其特征在于：具体包括如下几个步骤：

步骤a：信贷样本数据预处理，对训练信贷样本数据集和测试样本数据集进行归一化处理；

步骤b：选择适用于信贷违约预测的BP神经网络的结构，建立n*m*1三层网络拓扑结构，确定n，m，1取值，其中，n为输入层节点数，m为隐含层节点数，1为输出层节点数；

步骤c：针对于信贷违约预测场景下对基本参数初始化，设置种群规模N，最大迭代次数T_max，随机生成a、A、C参数，开始随机初始化灰狼种群；

步骤d：构造信贷违约预测神经网络适应度函数，计算灰狼个体的适应度值，并按照适应度值的排序，选择前三个最好的狼记录为α，β，δ，更新剩余灰狼的位置，并且更新a，A,C的值；

步骤e：判断算法是否满足条件满足预定的最大迭代次数T_max，则停止计算，输出最优位置α，否则重复执行步骤d；

步骤f：利用改进的灰狼算法获得的权值和阈值进行BP神经网络训练；

步骤g：进行信贷用户违约预测，对神经网络的输出进行反归一化处理，得出预测结果。

2.根据权利要求1所述的一种基于灰狼算法优化BP神经网络的信贷违约预测方法，其特征在于：步骤a中，计算公式如下:

式中max为样本数据的最大值，min为样本数据的最小值,归一化后的x^*取值范围为[-1,1]。

3.根据权利要求1所述的一种基于灰狼算法优化BP神经网络的信贷违约预测方法，其特征在于：步骤d中，

计算公式如下：

式中W₁，W₂，W₃分别表示_ω狼对α，β，δ狼的学习率，X₁，X₂，X₃分别表示α，β，δ狼的当前位置。

4.根据权利要求1所述的一种基于灰狼算法优化BP神经网络的信贷违约预测方法，其特征在于：步骤g中，计算公式如下：

x＝0.5(x^*+1)(x_max-x_min)+x_min。