[发明专利]一种基于萤火虫算法优化Hopfield神经网络的风险评级方法

说明书

本发明公开了一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，包括以下的步骤：首先，确定表现期和风险等级，抽取建模样本客户，获取客户数据作为建模指标体系，所述客户数据包括风险等级和影响还款表现得信用数据；对信用数据进行预处理，随机切分训练集和测试集；根据建模样本的数据特征构建Hopfield神经网络拓扑结构，确定网络的参数，初始化Hopfield神经网络的权值和阈值；构建Hopfield神经网络的权值和阈值与萤火虫算法的映射关系，通过萤火虫算法得到最优权值和阈值，并使用训练集对Hopfield神经网络进行训练；本发明利用萤火虫算法确定了Hopfield神经网络最优的权值和阈值，加快了神经网络的收敛速度，并提高了预测模型的准度，可满足互联网金融信用实时评估的需求。

技术领域

本发明涉及互联网金融行业的风控技术领域，具体为一种基于萤火虫算法优化Hopfield神经网络的风险评级方法。

背景技术

随着互联网金融的发展，消费信贷业务不断扩展，对贷款申请人的风险评估的重要性日益加强。现有技术中用于风险评估的算法主要为逻辑回归、决策树、支持向量机和贝叶斯网络等，但这些算法只能处理客户静态信息数据，例如个人特征、职业信息、家庭信息、受教育程度等均不会在短期得到改变，并不能反映个人的收入波动和信用波动情况，无法实现对客户地信用动态评估。

具有联想记忆功能的神经网络模型能够动态评估客户风险，如灰色神经网络、反馈性神经网络、RBF神经网络和小波神经网络等预测模型，采用这些模型进行预测，可以从不同方面反映数据间的复杂关系，但是预测结果还不够理想。

Hopfield神经网络(Hopfield Neural Network，HNN)是一种单层对称全反馈循环神经网络，从输出到输入均有反馈连接，从输出到输入有反馈连接，所有神经元单元都是一样的，之间相互连接，每个神经元都通过连接权重接受所有其他神经元输出反馈来的信息，其目是为了让每个神经元的输出能够接受所有其他神经元输出的控制，从而使各神经元能够相互制约，是一种拥有联想记忆功能的神经网络模型，具有联想记忆功能、简单、局部搜索能力强的优点。

传统的Hopfield神经网络基于梯度下降法，初始参数的随机选择而易陷入局部最优的问题，网络学习速度和性能效果不佳。目前主要使用遗传算法和粒子群算法来优化Hopfield神经网络初始值，但遗传算法存在编码、解码、交叉、变异等复杂操作，并且种群规模数要求较大、训练时间较长；粒子群算法在寻优过程的后期易陷入局部极值区域，出现收敛速度慢等问题。因此，针对上述问题提出一种基于萤火虫算法优化Hopfield神经网络的风险评级方法。

发明内容

本发明的目的在于提供一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于萤火虫算法优化Hopfield神经网络的风险评级方法，包括以下六个步骤：

S1、确定表现期和风险等级，抽取建模样本客户，获取客户数据作为建模指标体系，所述客户数据包括风险等级和影响还款表现得信用数据；

S2、对采集到的信用数据预处理，包括缺失值处理、异常值剔除和数据标准化，按时间顺序划分训练集数据和测试集数据；

S3、由步骤S2中的样本数据中提取信用数据特征及对应的风险等级，根据样本特征确定Hopfield神经网络的输入量与输出量，搭建Hopfield神经网络模型；

S4、构建Hopfield神经网络的权值阈值与萤火虫算法的映射关系，利用萤火虫算法优化好的Hopfield神经网络的初始权值与阈值，并用训练样本进行训练；

S5、将测试集作为参数寻优过程中的验证集输入训练好的Hopfield神经网络模型进行测试，验证模型的准确性，并以模型精度评价指标与遗传算法、粒子群算法优化的模型进行对比与评价；