| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 财务预警研究现状 | 第10-12页 |
| 1.2.2 果蝇算法国内外研究现状 | 第12-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-16页 |
| 2 基本理论 | 第16-25页 |
| 2.1 果蝇算法 | 第16-19页 |
| 2.1.1 群智能算法 | 第16页 |
| 2.1.2 果蝇算法基本原理 | 第16-18页 |
| 2.1.3 果蝇算法步骤 | 第18-19页 |
| 2.2 logistic模型 | 第19-20页 |
| 2.3 广义回归神经网络 | 第20-23页 |
| 2.3.1 广义回归神经网络概述 | 第20-22页 |
| 2.3.2 广义回归神经网络的预测方法 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 AS-FOA算法 | 第25-31页 |
| 3.1 果蝇算法存在问题 | 第25页 |
| 3.2 改进FOA算法 | 第25-26页 |
| 3.3 稳定阈与适应度步长因子 | 第26-28页 |
| 3.4 AS-FOA算法 | 第28-29页 |
| 3.5 AS-FOA收敛性分析 | 第29-30页 |
| 3.6 本章小结 | 第30-31页 |
| 4 财务预警模型构建 | 第31-38页 |
| 4.1 AS-FOA-logistic模型构建 | 第31-33页 |
| 4.1.1 FOA优化logistic模型 | 第31-32页 |
| 4.1.2 AS-FOA优化logistic模型步骤 | 第32-33页 |
| 4.2 AS-FOA优化GRNN的网络构建 | 第33-37页 |
| 4.2.1 FOA优化GRNN网络原理 | 第33-34页 |
| 4.2.2 FOA优化GRNN网络的应用 | 第34-36页 |
| 4.2.3 AS-FOA优化GRNN网络步骤 | 第36-37页 |
| 4.3 本章小结 | 第37-38页 |
| 5 基于AS-FOA的财务预警 | 第38-48页 |
| 5.1 AS-FOA优化logistic模型 | 第38-43页 |
| 5.1.1 构建logistic回归模型 | 第38页 |
| 5.1.2 logistic的FOA最优参数选取 | 第38-39页 |
| 5.1.3 AS-FOA优化logistic模型 | 第39-41页 |
| 5.1.4 各模型比较分析 | 第41-43页 |
| 5.2 AS-FOA优化GRNN网络 | 第43-47页 |
| 5.2.1 数据选取 | 第43-44页 |
| 5.2.2 GRNN的FOA最优参数选取 | 第44-45页 |
| 5.2.3 AS-FOA的GRNN训练寻优 | 第45-46页 |
| 5.2.4 准确度对比分析 | 第46-47页 |
| 5.3 本章小结 | 第47-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-52页 |
| 附录A 部分logistic数据样本 | 第52-53页 |
| 附录B 部分财务预警数据样本 | 第53-55页 |
| 作者简历 | 第55-57页 |
| 学位论文数据集 | 第57页 |