| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 主要研究内容 | 第9-10页 |
| 1.4 论文组织结构 | 第10-11页 |
| 第二章 车险客户风险评估研究概述 | 第11-22页 |
| 2.1 保险客户风险理论 | 第11-12页 |
| 2.1.1 风险理论概述 | 第11-12页 |
| 2.1.2 风险管理的重要性 | 第12页 |
| 2.2 车险客户风险评估指标体系 | 第12-19页 |
| 2.2.1 车险客户风险指标选取 | 第13-16页 |
| 2.2.2 车险客户风险指标量化 | 第16页 |
| 2.2.3 车险客户风险指标权重 | 第16-19页 |
| 2.3 车险客户风险评估方法 | 第19-21页 |
| 2.3.1 基于统计模型的评估方法 | 第19-20页 |
| 2.3.2 基于人工智能的评估方法 | 第20-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 BP神经网络方法与粒子群优化算法分析研究 | 第22-33页 |
| 3.1 BP神经网络方法 | 第22-26页 |
| 3.1.1 人工神经网络原理和特点 | 第22页 |
| 3.1.2 BP神经网络模型结构 | 第22-23页 |
| 3.1.3 BP神经网络学习算法 | 第23-25页 |
| 3.1.4 BP神经网络优缺点 | 第25-26页 |
| 3.2 粒子群优化算法 | 第26-28页 |
| 3.2.1 粒子群算法基本原理 | 第26页 |
| 3.2.2 粒子群算法优化流程 | 第26-27页 |
| 3.2.3 粒子群算法优缺点 | 第27-28页 |
| 3.3 粒子群优化算法改进 | 第28-32页 |
| 3.3.1 粒子群优化算法发展 | 第28页 |
| 3.3.2 改进粒子群优化算法 | 第28-29页 |
| 3.3.3 改进粒子群算法验证 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 改进PSO-BP神经网络的车险客户风险等级评估模型构建 | 第33-39页 |
| 4.1 粒子群算法优化BP神经网络算法原理 | 第33-34页 |
| 4.2 改进PSO-BP神经网络客户风险等级评估流程 | 第34-36页 |
| 4.3 基于改进PSO-BP神经网络客户风险等级评估模型 | 第36-38页 |
| 4.3.1 样本数据的收集与处理 | 第36页 |
| 4.3.2 网络结构的确定 | 第36-37页 |
| 4.3.3 网络初始权值及阈值的设计 | 第37页 |
| 4.3.4 网络训练参数和PSO控制参数选取 | 第37-38页 |
| 4.3.5 模型的训练与测试 | 第38页 |
| 4.4 本章小结 | 第38-39页 |
| 第五章 仿真实验与相关分析 | 第39-49页 |
| 5.1 车险客户数据集 | 第39-40页 |
| 5.2 车险客户风险评估指标体系构建 | 第40-44页 |
| 5.3 基于改进PSO-BP的车险客户风险等级评估模型仿真与分析 | 第44-48页 |
| 5.4 本章小结 | 第48-49页 |
| 第六章 总结与展望 | 第49-51页 |
| 6.1 总结 | 第49页 |
| 6.2 展望 | 第49-51页 |
| 参考文献 | 第51-53页 |
| 致谢 | 第53-54页 |
| 个人简介及攻读硕士学位期间论文发表情况 | 第54页 |
