| 前言 | 第1-7页 |
| 第一章 企业信用评级及其传统方法 | 第7-14页 |
| 1．1 企业信用评级的概述 | 第7页 |
| 1．2 企业信用评级的现状 | 第7-9页 |
| 1．3 企业信用评级方法和着手点 | 第9-11页 |
| 1．3．1 信用评级中的“6C”原则 | 第9页 |
| 1．3．2 信用评级的指标体系 | 第9-11页 |
| 1．3．3 企业财务状况与企业资信评价 | 第11页 |
| 1．4 企业信用评级模型 | 第11-14页 |
| 1．4．1 多元判别分析（MDA） | 第12页 |
| 1．4．2 logistic分析 | 第12页 |
| 1．4．3 非参数方法（Non-parametricMethod） | 第12-13页 |
| 1．4．4 模糊授信决策 | 第13-14页 |
| 第二章 人工智能在信用评级中的应用 | 第14-22页 |
| 2．1 神经网络在企业信用评级中的应用 | 第14-17页 |
| 2．1．1 企业信用评级问题的复杂性及神经网络的适用性 | 第14页 |
| 2．1．2 神经网络模型在银行破产领域的研究 | 第14-17页 |
| 2．2 神经网络的基础知识 | 第17-21页 |
| 2．2．1 人工神经网络（ANN）概述 | 第17页 |
| 2．2．2 神经网络的结构及类型 | 第17-18页 |
| 2．2．3 BP神经网络模型 | 第18-19页 |
| 2．2．4 BP神经网络的网络结构 | 第19页 |
| 2．2．5 BP神经网络学习算法 | 第19-21页 |
| 2．3 专家系统在企业信用评级中的应用 | 第21-22页 |
| 第三章 样本处理和模式划分 | 第22-34页 |
| 3．1 指标体系的确定 | 第22-23页 |
| 3．2 样本抽样 | 第23-24页 |
| 3．3 总体样本的筛选 | 第24-26页 |
| 3．3．1 明显不合理数据的删除 | 第24页 |
| 3．3．2 总体样本粗筛选 | 第24-26页 |
| 3．4 模式的确定 | 第26-31页 |
| 3．4．1 行业样本数足够大样本模式再细分 | 第28-31页 |
| 3．4．2 行业样本适中 | 第31页 |
| 3．4．3 行业样本数太小 | 第31页 |
| 3．5 行业内样本奇异点去除 | 第31-34页 |
| 第四章 人工智能评级系统模型的构建 | 第34-47页 |
| 4．1 样本的预处理 | 第34-39页 |
| 4．1．1 主成分分析 | 第34-36页 |
| 4．1．2 归一化 | 第36-37页 |
| 4．1．3 对样本输出数据的预处理 | 第37-39页 |
| 4．2 BP神经网络的构建 | 第39-43页 |
| 4．2．1 初始值的选取 | 第39页 |
| 4．2．2 学习算法优化 | 第39-41页 |
| 4．2．3 学习瘫痪 | 第41-42页 |
| 4．2．4 期望误差的选取 | 第42页 |
| 4．2．5 网络结构 | 第42-43页 |
| 4．3 神经网络模型创建 | 第43-44页 |
| 4．3．1 模型拓扑结构的确定 | 第43页 |
| 4．3．2 各模式ANN模型的训练 | 第43-44页 |
| 4．4 神经网络评级性能 | 第44-47页 |
| 第五章 系统实现 | 第47-59页 |
| 5．1 系统总体结构分析 | 第47-48页 |
| 5．2 面向对象分析和面向对象编程 | 第48-49页 |
| 5．3 神经网络面向对象分析和编程 | 第49-53页 |
| 5．4 关系数据库设计 | 第53-54页 |
| 5．5 软件实现 | 第54-59页 |
| 5．5．1 ANN评价模型的运行 | 第55-56页 |
| 5．5．2 样本库维护 | 第56页 |
| 5．5．3 新模式定义 | 第56-57页 |
| 5．5．4 已有ANN模型优化 | 第57-58页 |
| 5．5．5 新模型学习训练 | 第58-59页 |
| 第六章 总结和展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |