| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 主要研究内容 | 第13页 |
| 1.4 论文组织结构 | 第13-15页 |
| 第2章 人工神经网络及BP神经网络算法 | 第15-27页 |
| 2.1 人工神经网络简介 | 第15页 |
| 2.2 人工神经网络基本原理与结构 | 第15-21页 |
| 2.2.1 生物神经元模型 | 第15-16页 |
| 2.2.2 人工神经网络基本模型 | 第16-19页 |
| 2.2.3 人工神经网络结构 | 第19-21页 |
| 2.3 BP神经网络算法 | 第21-25页 |
| 2.3.1 BP神经网络拓扑结构 | 第21-22页 |
| 2.3.2 BP神经网络算法原理分析 | 第22-25页 |
| 2.4 BP神经网络算法的主要优点 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于BP算法误差函数优化的纳税信用风险研究 | 第27-35页 |
| 3.1 纳税信用风险分类问题分析 | 第27页 |
| 3.2 基于BP神经网络算法的纳税信用风险分类模型性能分析 | 第27-30页 |
| 3.3 基于BP网络误差函数优化的纳税信用风险分类算法BP-OEF | 第30-32页 |
| 3.4 BP-OEF纳税信用风险分类算法描述 | 第32-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 融入分层自适应机制的BP网络纳税信用风险分类研究 | 第35-45页 |
| 4.1 BP神经网络学习速率 | 第35-37页 |
| 4.2 固定学习速率对纳税信用风险分类模型的性能分析 | 第37-39页 |
| 4.3 融入分层自适应机制的BP网络纳税信用风险分类算法BP-LAAM | 第39-43页 |
| 4.4 BP-LAAM纳税信用风险分类算法描述 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 实验结果与分析 | 第45-57页 |
| 5.1 实验数据和环境 | 第45页 |
| 5.2 信用风险指标的选取及编码 | 第45-47页 |
| 5.3 实验数据预处理 | 第47-51页 |
| 5.3.1 数据缺失处理 | 第47-48页 |
| 5.3.2 定性离散指标量化 | 第48页 |
| 5.3.3 数据离散化和归一化处理 | 第48-50页 |
| 5.3.4 纳税信用风险特征选择 | 第50-51页 |
| 5.4 基于自适应BP神经网络的纳税信用风险分类模型训练 | 第51-53页 |
| 5.4.1 BP神经网络参数初始化和结构设计 | 第51-52页 |
| 5.4.2 实验过程 | 第52-53页 |
| 5.5 基于自适应BP网络的纳税信用风险分类实验结果与分析 | 第53-56页 |
| 5.5.1 基于BP网络误差函数优化的纳税信用风险分类算法BP-OEF | 第53-55页 |
| 5.5.2 融入分层自适应机制的BP网络纳税信用风险分类算法BP-LAAM | 第55-56页 |
| 5.6 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61页 |
