[發(fā)明專利]一種基于FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010819195.8
• 申請(qǐng)日: 2020-08-14
• 公開（公告）號(hào): CN112037011A
• 公開（公告）日: 2020-12-04
• 發(fā)明（設(shè)計(jì)）人: 江遠(yuǎn)強(qiáng);韓璐;李蘭
• 申請(qǐng)（專利權(quán)）人: 百維金科（上海）信息科技有限公司
• 主分類號(hào): G06Q40/02
• 分類號(hào): G06Q40/02;G06N3/00;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明提供一種基于FOA?RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法，包括：采集數(shù)據(jù)；數(shù)據(jù)預(yù)處理；初始化基本RBF神經(jīng)網(wǎng)絡(luò)模型參數(shù)；采用果蠅優(yōu)化算法迭代隱藏層神經(jīng)元的中心向量c_i和激勵(lì)函數(shù)的中心寬度σ_i，構(gòu)造FOA?RBF神經(jīng)網(wǎng)絡(luò)信用評(píng)分預(yù)測(cè)模型；將測(cè)試集數(shù)據(jù)輸入FOA?RBF神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測(cè)結(jié)果，訓(xùn)練RBF網(wǎng)絡(luò)，以預(yù)測(cè)準(zhǔn)確率為指標(biāo)，與最小均方誤差法、遺傳算法、粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行對(duì)比；將FOA?RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分模型部署至申請(qǐng)平臺(tái)輸出實(shí)時(shí)申請(qǐng)信用評(píng)分，實(shí)現(xiàn)申請(qǐng)客戶的實(shí)時(shí)審批和模型的在線更新；本發(fā)明具有參數(shù)易調(diào)整和全局搜索能力強(qiáng)等優(yōu)點(diǎn)，F(xiàn)OA?RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分具有更高的預(yù)測(cè)精度和較強(qiáng)的穩(wěn)定性，適合互金行業(yè)的信用評(píng)分需求。

技術(shù)領(lǐng)域

本發(fā)明屬于互聯(lián)網(wǎng)金融行業(yè)的風(fēng)控技術(shù)領(lǐng)域，具體提供一種利用果蠅算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法。

背景技術(shù)

隨著銀行、第三方支付、P2P、互聯(lián)網(wǎng)借貸平臺(tái)的發(fā)展，互聯(lián)網(wǎng)金融對(duì)于個(gè)人信用評(píng)價(jià)的需求越來越高，除了使用基于邏輯回歸、支持向量機(jī)、隨機(jī)森林等各種算法的評(píng)分卡模型，使用神經(jīng)網(wǎng)絡(luò)進(jìn)行信用評(píng)價(jià)是一個(gè)很大的研究領(lǐng)域，其中最為常用的神經(jīng)網(wǎng)絡(luò)主要為：BP(Back Propagation，反向傳播)神經(jīng)網(wǎng)絡(luò)和RBF(Redial Basis Function，徑向基)神經(jīng)網(wǎng)絡(luò)。

BP神經(jīng)網(wǎng)絡(luò)具備結(jié)構(gòu)簡(jiǎn)單和適用性強(qiáng)的優(yōu)點(diǎn)，但BP神經(jīng)網(wǎng)絡(luò)采用全局逼近算法，訓(xùn)練時(shí)間過長(zhǎng)，且容易陷入局部最優(yōu)。與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)在輸入層與隱藏層之間使用具有光滑對(duì)稱和任意階導(dǎo)數(shù)的高斯函數(shù)作為徑向基函數(shù)，在隱藏層與輸出層之間采用線性函數(shù)，使得輸出和節(jié)點(diǎn)權(quán)值具有線性關(guān)系，RBF神經(jīng)網(wǎng)絡(luò)具有非線性擬合能力強(qiáng)、全局最優(yōu)逼近、訓(xùn)練速度快等優(yōu)點(diǎn)。

RBF神經(jīng)網(wǎng)絡(luò)的性能在很大程度上取決于所選的隱藏層各徑向基函數(shù)的中心c以及激勵(lì)的中心寬度σ的參數(shù)選擇。傳統(tǒng)的最小均方算法(Least Mean Square，LMS)、粒子群算法(Particle Swarm Optimization，PSO)、遺傳算法(Genetic Algorithm，GA)優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)組合(c，σ)的優(yōu)化算法都存在收斂速度慢、耗時(shí)長(zhǎng)、容易陷入局部最優(yōu)等缺陷。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明中披露了一種基于FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法，本發(fā)明的技術(shù)方案是這樣實(shí)施的：

一種基于FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分方法，包括步驟：

步驟1：采集數(shù)據(jù)，從互聯(lián)網(wǎng)金融平臺(tái)后端根據(jù)貸后表現(xiàn)選取一定比例和數(shù)量正常還款和逾期客戶作為建模樣本，采集樣本客戶賬戶注冊(cè)申請(qǐng)時(shí)的個(gè)人基本信息、監(jiān)測(cè)軟件中獲取操作行為埋點(diǎn)數(shù)據(jù)；

步驟2：數(shù)據(jù)預(yù)處理，對(duì)采集的數(shù)據(jù)進(jìn)行缺失補(bǔ)全、異常值處理和歸一化處理后按照7:3的比例切分成訓(xùn)練集和測(cè)試集；

步驟3：初始化基本RBF神經(jīng)網(wǎng)絡(luò)模型參數(shù)，在訓(xùn)練集上利用迭代誤差收斂速度和精度穩(wěn)定性確定RBF網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)；

步驟4：采用果蠅優(yōu)化算法迭代隱藏層神經(jīng)元的中心向量c_i和激勵(lì)函數(shù)的中心寬度σ_i，構(gòu)造FOA-RBF神經(jīng)網(wǎng)絡(luò)信用評(píng)分預(yù)測(cè)模型；

步驟5：將測(cè)試集數(shù)據(jù)輸入FOA-RBF神經(jīng)網(wǎng)絡(luò)模型得到預(yù)測(cè)結(jié)果，并進(jìn)一步訓(xùn)練RBF網(wǎng)絡(luò)，以預(yù)測(cè)準(zhǔn)確率為指標(biāo)，與最小均方誤差法、遺傳算法、粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行對(duì)比；

步驟6：將FOA-RBF神經(jīng)網(wǎng)絡(luò)的信用評(píng)分模型部署至申請(qǐng)平臺(tái)輸出實(shí)時(shí)申請(qǐng)信用評(píng)分，實(shí)現(xiàn)申請(qǐng)客戶的實(shí)時(shí)審批，并定期將有表現(xiàn)數(shù)據(jù)輸入到模型訓(xùn)練，實(shí)現(xiàn)模型的在線更新。