| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及研究意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外企业资信评估现状分析 | 第11-13页 |
| 1.2.1 国外企业资信评估的发展现状 | 第11-12页 |
| 1.2.2 国内企业资信评估的研究现状 | 第12-13页 |
| 1.2.3 我国资信评估存在的问题 | 第13页 |
| 1.3 研究思路与主要内容 | 第13-15页 |
| 1.3.1 研究思路 | 第13-14页 |
| 1.3.2 主要内容 | 第14-15页 |
| 1.4 文章结构安排 | 第15-17页 |
| 第二章 企业资信评估概述 | 第17-21页 |
| 2.1 企业资信评估的含义 | 第17页 |
| 2.2 进行企业资信评估的意义 | 第17-18页 |
| 2.3 传统资信评估与大数据资信评估 | 第18-19页 |
| 2.4 水务工程行业概述及其进行企业资信评估的必要性 | 第19-21页 |
| 2.4.1 水务工程行业概述 | 第19页 |
| 2.4.2 水务工程行业进行企业资信评估的必要性 | 第19-21页 |
| 第三章 水务工程企业资信评估指标体系框架的设计 | 第21-29页 |
| 3.1 资信评估指标的选取原则 | 第21页 |
| 3.2 资信评估指标的初步筛选方法 | 第21-23页 |
| 3.3 资信评估指标的筛选方法 | 第23-26页 |
| 3.3.1 灰色关联聚类分析概述 | 第23-25页 |
| 3.3.2 具体的操作过程 | 第25-26页 |
| 3.4 资信评估指标体系框架的形成 | 第26-29页 |
| 第四章 基于RBF神经网络的水务工程企业资信评估模型 | 第29-39页 |
| 4.1 基于RBF神经网络的水务工程企业资信评估模型设计 | 第29-34页 |
| 4.1.1 RBF神经网络简介 | 第29-30页 |
| 4.1.2 RBF神经网络的学习算法 | 第30-32页 |
| 4.1.3 建立基于RBF神经网络的水务工程企业资信评估模型 | 第32-34页 |
| 4.2 实证研究 | 第34-39页 |
| 4.2.1 模型的建立 | 第34-38页 |
| 4.2.2 模型的验证与分析 | 第38-39页 |
| 第五章 基于GA优化RBF神经网络的企业资信评估模型 | 第39-55页 |
| 5.1 基于GA优化RBF神经网络的企业资信评估模型设计 | 第39-47页 |
| 5.1.1 遗传算法简介 | 第39-41页 |
| 5.1.2 遗传算法优化RBF神经网络的原理 | 第41-42页 |
| 5.1.3 遗传算法优化RBF神经网络的实现过程 | 第42-46页 |
| 5.1.4 Matlab实现遗传算法工具箱函数介绍 | 第46-47页 |
| 5.2 实证研究 | 第47-52页 |
| 5.2.1 模型的建立 | 第47-52页 |
| 5.2.2 模型的验证与分析 | 第52页 |
| 5.3 优化前后模型对比分析 | 第52-55页 |
| 第六章 结论与展望 | 第55-57页 |
| 6.1 结论 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 发表论文和参加科研情况说明 | 第61-63页 |
| 致谢 | 第63页 |
