| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第1章 绪论 | 第9-13页 |
| ·背景介绍 | 第9页 |
| ·信用评级的定义 | 第9-10页 |
| ·信用评级模型的优势与不足 | 第10-11页 |
| ·研究概述 | 第11页 |
| ·本文研究内容及意义 | 第11-13页 |
| 第2章 信用评级中的常用模型 | 第13-25页 |
| ·一般线性模型 | 第13-18页 |
| ·线性回归 | 第13-14页 |
| ·最小二乘估计 | 第14-15页 |
| ·假设检验 | 第15-16页 |
| ·模型的拟合优度 | 第16-17页 |
| ·正态性 | 第17页 |
| ·方差齐次性 | 第17-18页 |
| ·线性性 | 第18页 |
| ·广义线性模型 | 第18-21页 |
| ·指数分布族 | 第19页 |
| ·Logistic回归 | 第19-21页 |
| ·模型的选择与评估 | 第21页 |
| ·判别分析 | 第21-24页 |
| ·线性判别分析 | 第22-23页 |
| ·二次判别分析 | 第23页 |
| ·支持向量机 | 第23-24页 |
| ·K临近算法(K-Nearest Neighbors) | 第24-25页 |
| 第3章 基于径向函数神经网络 | 第25-37页 |
| ·RBFNN的网络结构及工作原理 | 第25-28页 |
| ·RBFNN的生理学基础 | 第28-30页 |
| ·RBFNN的数学基础 | 第30-32页 |
| ·内插问题 | 第30-31页 |
| ·正则化网络 | 第31-32页 |
| ·RBFNN的常用学习算法 | 第32-37页 |
| ·聚类方法 | 第33-34页 |
| ·梯度训练方法 | 第34页 |
| ·正交最下二乘(OLS)学习算法 | 第34-37页 |
| 第4章 基于模糊K-Prototypes算法的改进RBFNN | 第37-43页 |
| ·模糊K-Prototypes算法简介 | 第37-39页 |
| ·划分矩阵Φ、聚类中心C_i的学习方法 | 第39页 |
| ·关于初始聚类中心C°的学习方法 | 第39-40页 |
| ·隐结点扩展常数σ_i的确定 | 第40页 |
| ·权值W的确定 | 第40-43页 |
| 第5章 实证研究 | 第43-47页 |
| ·数据集介绍 | 第43-44页 |
| ·实证结果分析 | 第44-47页 |
| 第6章 总结 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-53页 |
| 硕士期间的研究成果 | 第53页 |