基于模糊模式识别神经网络的企业风险动态识别方法研究

作者:纪崑;陈超 刊名:辽宁大学学报(自然科学版) 上传者:苏益冰

【摘要】在企业风险等级识别过程中存在风险效应人为等分需要量化处理、多维特征指标识别困难以及不同企业间指标高度相似性等问题.为了更好地解决这些识别问题,将模糊模式识别与神经网络相结合提出模糊模式识别神经网络动态识别方法.该方法既克服了模糊模式识别只能处理静态数据且不能实现特征提取的问题,又克服了神经网络对于高维度、高相似性特征指标识别困难的问题.

全文阅读

1问题与方法的描述面对企业复杂的生产经营活动,人们无法全面地、准确地辨别出企业真实的风险状态,只能依靠一些特征来判别其所属类别.企业的风险等级是表示不同风险效应的人为等分,它是一个模糊概念,所以本文考虑应用模糊模式识别的方法来处理具有模糊类别评判的问题,可以较容易地刻画出事物的本质,并与客观实际相符.目前,国际上将模糊模式识别方法应用于企业风险的识别问题非常少见,但在其他领域已经有了广泛的应用.模糊模式识别方法是对分类界限具有模糊性的情况下,从空间区域划分和属性类别判断角度出发处理多元数据的一种非函数方法.本文的模糊模式识别隶属函数表达式是在模糊模式识别基本原理的基础上以聚类样本集对全体类别加权广义权距离平方和最小为目标函数推导出的最优模糊模式识别隶属函数.模糊模式识别方法虽然能够有效解决多指标问题,但通常用来处理静态数据并且不能实现特征提取,即静态的模式识别.事实上,对这样一个多维多指标的特征指标状态空间中的数据样本进行分类识别是一项很复杂的工作,因此简单的方法和模型并不能够对风险状态进行有效识别,且实现动态化和智能化的识别.目前,在对数据样本的分类识别中容错性和识别能力都比较强的方法是神经网络法,它根据样本的特征向量进行匹配,建立网络模型,将其分配到正确的样本空间内,可以实现特征提取和统计分类两部分功能.神经网络识别方法是一种介于统计模式识别与结构模式识别之间的方法,从统计模式识别的角度看,它可认为是一种估计概率分布的非参数方法;从结构模式识别的角度看,它是一种能隐含地利用模式的结构信息的模式识别的方法.但是,一般情况下,企业的风险状态都可以转化为多维风险特征指标来衡量,而神经网络对于多指标的识别常常表现的效果一般.这主要是由于两方面的原因,一方面是指标维度的增加会导致识别的困难,另一方面是不同企业间指标的高度相似性使识别难以进行.而对这个问题,本文是将模糊模式识别与神经网络相结合进行解决的.通过模糊模式识别中标准指标与特征指标的特点运用映射变换的方法把高维特征空间压缩到低维特征空间,以低维特征空间来表示样本,也就是将原始特征中蕴含的有用信息映射到少数几个特征上,忽略多余的不相干的信息.映射后的特征叫二次特征,它们是原始特征的某种组合.通过神经网络模型的特征提取,不仅可以实现企业风险等级的识别,即综合风险状况的识别,也可以明确目标企业所存在风险的诱因,为企业进一步的风险因素识别提供依据.因此,作者在原有的模糊模式识别模型的基础上与神经网络结合建立动态模糊模式识别神经网络模型,将两者的方法优势互补,真正探求一个适合企业风险等级识别的动态化和智能化的识别方法.2模糊模式识别神经网络动态识别方法2.1模糊模式识别方法2.1.1特征描述与处理描述企业风险状态的指标很多,涉及财务、组织结构、人力资源、竞争力、营销、创新等各个方面.这些指标统称为企业风险的特征观察值,企业进行风险管理的目的就是要根据这些特征指标值确定企业的危机状态.设有n个企业样本组成的样本集,每个样本有m个特征指标,则特征指标矩阵可表示为X=x11…x1nxm1…xmn=(xij)mn(1)式中xij样本j指标i的特征值,i=1,2,…,m;j=1,2,…,n如样本集依据m个指标按c个状态或级别的已知指标标准特征值进行识别,则有指标标准特征值矩阵Y=y11…y1cym1…ymc=(yih)mc(2)式中yih状态或级别h指标i标准特征值,h=1,2,…,c;i=1,2,…,m.应用相对隶属度、相对隶属函数的定义式建立对模糊子集或模糊概念A进行识别的参照系.为此,首先确定参照系上关于A的

参考文献

引证文献

问答

我要提问