基于长短周期记忆神经网络的信用贷款风险控制研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文研究思路及创新之处 | 第11-13页 |
| 1.3.1 研究思路 | 第12页 |
| 1.3.2 创新之处 | 第12-13页 |
| 1.4 本文结构 | 第13-14页 |
| 第二章 信用贷款风险控制中的神经网络方法概述 | 第14-27页 |
| 2.1 前言 | 第14页 |
| 2.2 人工神经网络 | 第14-16页 |
| 2.3 径向基函数神经网络 | 第16-18页 |
| 2.4 长短周期记忆神经网络 | 第18-22页 |
| 2.4.1 拓扑结构 | 第18-20页 |
| 2.4.2 参数定义 | 第20-21页 |
| 2.4.3 前后向传播公式 | 第21-22页 |
| 2.5 无约束优化问题最优解的求解方法 | 第22-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 信用贷款数据信息的特征提取方法 | 第27-38页 |
| 3.1 信用贷款数据信息的组成 | 第27-28页 |
| 3.2 信用贷款数据信息的统计方法 | 第28-31页 |
| 3.2.1 数字信息的统计方法 | 第28-29页 |
| 3.2.2 文本信息的统计方法 | 第29-31页 |
| 3.2.3 选择项信息的统计方法 | 第31页 |
| 3.3 本实验采用的特征提取方法 | 第31-37页 |
| 3.3.1 信用贷款数据的采集 | 第31-32页 |
| 3.3.2 信用贷款数据维度的初始确立 | 第32-33页 |
| 3.3.3 基于径向基函数神经网络的特征提取 | 第33-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 数据集维度组合优化方式及分类器模型改进 | 第38-47页 |
| 4.1 信用贷款数据维度的深入研究及组合优化 | 第38-43页 |
| 4.1.1 信用贷款数据维度间的相关性及组合方式 | 第38-40页 |
| 4.1.2 信用贷款数据维度中的伪信息 | 第40-42页 |
| 4.1.3 信用贷款数据信息的优化及核实方式 | 第42-43页 |
| 4.2 改进学习方式的长短周期记忆神经网络 | 第43-45页 |
| 4.3 分类器的精度评价指标 | 第45-46页 |
| 4.4 分类模型的验证方法 | 第46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 实验结果与分析 | 第47-54页 |
| 5.1 基于数据集特征提取的分类器改进评价实验 | 第47-49页 |
| 5.2 改进数据维度组合方式的评价实验 | 第49-50页 |
| 5.3 改进数据信息优化及核实方式的评价实验 | 第50-51页 |
| 5.4 实验结果对比 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 第六章 总结与展望 | 第54-56页 |
| 6.1 实验总结 | 第54页 |
| 6.2 前景展望 | 第54-56页 |
| 参考文献 | 第56-63页 |
| 致谢 | 第63-64页 |
| 附录 | 第64-65页 |
