崔霞霞，胡紅萍，白艷萍

（中北大學(xué)理學(xué)院，太原 030051）

基于廣義回歸神經(jīng)網(wǎng)絡(luò)的單位運(yùn)營(yíng)狀況分類*

崔霞霞，胡紅萍，白艷萍

（中北大學(xué)理學(xué)院，太原 030051）

單位的運(yùn)營(yíng)狀況會(huì)直接影響股東和廣大人民的利益，針對(duì)運(yùn)營(yíng)狀況可以使用廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行分類。由于廣義回歸神經(jīng)網(wǎng)絡(luò)中徑向基函數(shù)的擴(kuò)展參數(shù)Spread的選取會(huì)導(dǎo)致分類的準(zhǔn)確率，提出了一種果蠅優(yōu)化算法優(yōu)化參數(shù)Spread的分類模型。充分利用了果蠅優(yōu)化算法的尋優(yōu)能力，將優(yōu)化后的參數(shù)代入到廣義回歸神經(jīng)網(wǎng)絡(luò)中對(duì)單位的財(cái)務(wù)數(shù)據(jù)進(jìn)行運(yùn)營(yíng)狀況的分類。結(jié)果表明，與廣義回歸神經(jīng)網(wǎng)絡(luò)做比較，優(yōu)化后的網(wǎng)絡(luò)模型對(duì)數(shù)據(jù)的分類可以達(dá)到很高的準(zhǔn)確率，在相關(guān)領(lǐng)域的分類上有非常大的實(shí)用性。

果蠅優(yōu)化算法，廣義回歸神經(jīng)網(wǎng)絡(luò)，單位，運(yùn)營(yíng)，分類

0 引言

單位破產(chǎn)時(shí)，它的財(cái)產(chǎn)已經(jīng)不足以償還清所有的債務(wù)，就會(huì)嚴(yán)重?fù)p害債券人的利益。通過(guò)單位近幾年的現(xiàn)金流量、凈收入、總資產(chǎn)、總債務(wù)等判斷單位的運(yùn)營(yíng)情況已經(jīng)得到了越來(lái)越多的研究和關(guān)注，準(zhǔn)確地判斷單位運(yùn)營(yíng)情況可以對(duì)債券人，董事以及人民帶來(lái)很好的信息。廣義回歸神經(jīng)網(wǎng)絡(luò)是一種前饋式神經(jīng)網(wǎng)絡(luò)模型。它是徑向基網(wǎng)絡(luò)的一種，它具有樣本數(shù)據(jù)量少、初始化參數(shù)少、收斂速度快等優(yōu)點(diǎn)。因此，這一理論得到了廣泛的研究。但是在該網(wǎng)絡(luò)中徑向基函數(shù)的擴(kuò)展參數(shù)Spread的選取直接影響到分類的結(jié)果，如何選取合適的參數(shù)值已經(jīng)成為了一項(xiàng)研究和探索的任務(wù)。

本文將果蠅優(yōu)化算法優(yōu)化后的Spread值代入到單位運(yùn)營(yíng)情況的分類模型中。把它同優(yōu)化前的分類結(jié)果做比較，可以發(fā)現(xiàn)結(jié)果會(huì)有非常顯著的提高。

1 基本原理

1.1 廣義回歸神經(jīng)網(wǎng)絡(luò)

廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）是Donald F.Specht提出的一種基于非線性回歸神經(jīng)網(wǎng)絡(luò)模型。它在逼近能力和學(xué)習(xí)速率上都有非常明顯的優(yōu)勢(shì)，當(dāng)樣本數(shù)據(jù)很少時(shí)也會(huì)獲得非常好的分類和預(yù)測(cè)結(jié)果。該算法在分類、預(yù)測(cè)和優(yōu)化方面都取得了很好的成果。GRNN與RBF在結(jié)構(gòu)上非常類似，它包括輸入層、模式層、求和層與輸出層，結(jié)構(gòu)如圖1所示。

GRNN是以非線性回歸分析作為理論基礎(chǔ)［4］。設(shè)隨機(jī)變量x和y的聯(lián)合概率密度函數(shù)f（x，y），對(duì)應(yīng)輸入X，輸出Y，并且已知x的觀測(cè)值為X，那么y對(duì)于X的回歸，也就是條件均值為

對(duì)于未知的f（x，y），可以應(yīng)用Parzen非參數(shù)估計(jì)得到估算［5］。通過(guò)計(jì)算可得到估計(jì)值

1.2 果蠅優(yōu)化算法

果蠅優(yōu)化算法（fruit fly optimization algorithm，F(xiàn)OA）是潘文超提出的一種全新的算法。它是對(duì)果蠅覓食行為的模擬，由于果蠅在自身的嗅覺(jué)和視覺(jué)上都有較強(qiáng)的優(yōu)勢(shì)，它可以高效地搜索到空氣中存在的氣味，接下來(lái)飛到離食物近的地方，然后通過(guò)自身的視覺(jué)找到食物和自己的同伴所在的方位，并向此處飛去。它已經(jīng)非常好地應(yīng)用在科學(xué)和工程領(lǐng)域。FOA一經(jīng)提出就吸引了很多學(xué)者的探索和研究，近年來(lái)很多學(xué)者提出了果蠅算法的改進(jìn)，本文基于基本的果蠅算法進(jìn)行參數(shù)優(yōu)化。果蠅搜尋食物的過(guò)程如圖2所示。

2 果蠅算法優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)

FOA在參數(shù)和計(jì)算速度等方面都有非常好的優(yōu)勢(shì)，人們已經(jīng)把它廣泛地用在求函數(shù)的極值、GRNN和SVM參數(shù)優(yōu)化等。在使用GRNN進(jìn)行分類時(shí)，擴(kuò)展參數(shù)Spread的選取可以非常大的影響預(yù)測(cè)結(jié)果，本文用FOA對(duì)Spread進(jìn)行優(yōu)化，然后把得到的最優(yōu)值代到GRNN中進(jìn)行模型分類。圖3為果蠅優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)的流程圖。具體的優(yōu)化步驟如下：

步驟1：隨機(jī)初始果蠅的位置在［0，1］之間。

步驟2：果蠅的隨機(jī)飛行方向和距離在［-1，1］之間。

步驟3：需要計(jì)算與原點(diǎn)間的距離D（i）和距離的倒數(shù)味道濃度 S（i）［9］，把 S（i）作為Spread 的分布。

步驟4：把S（i）代入到味道濃度的判定函數(shù)中求出Smell（i），本文中把GRNN中的標(biāo)準(zhǔn)誤差RMSE當(dāng)作味道濃度的判定函數(shù)。

步驟5：找出果蠅群體中的最優(yōu)值，也就是RMSE 的最小值，［bestSmell bestindex］=min（Smell）。

步驟6：保留最佳的S（i）與其相對(duì)應(yīng)的坐標(biāo)，然后果蠅向該處飛去。

步驟7：重復(fù)進(jìn)行步驟 2～5，如果 S（i）優(yōu)于前一次迭代，那么就進(jìn)行步驟6。

步驟8：判斷是否到最大迭代次數(shù)，如果達(dá)到就把得到的最優(yōu)的參數(shù)代入到GRNN中進(jìn)行分類。

3 仿真案例分析

數(shù)據(jù)來(lái)源于40個(gè)單位的年度財(cái)務(wù)數(shù)據(jù)，其中一共收集了19個(gè)破產(chǎn)單位，21個(gè)財(cái)務(wù)良好的單位。其中組別0表示破產(chǎn)單位，組別1表示財(cái)務(wù)良好的單位，一共涉及到4個(gè)特征值，其中x1為現(xiàn)金流量/總債務(wù)，x2為凈收入/總資產(chǎn)，x3為流動(dòng)資產(chǎn)/流動(dòng)債務(wù)，x4為流動(dòng)資產(chǎn)/凈銷售額。以1到16為分類樣本，部分原始數(shù)據(jù)如表1所示。

表1 部分原始數(shù)據(jù)

3.1 實(shí)驗(yàn)分析與比較

實(shí)驗(yàn)仿真時(shí)，針對(duì)FOA-GRNN的分類模型中果蠅的位置在［0，1］之間，種群規(guī)模為10，迭代次數(shù)為50，隨機(jī)飛行方向和距離在［-1，1］之間，此時(shí)所得到最優(yōu)的Spread值為0.531，它的分類結(jié)果如圖4所示。而GRNN模型，Spread為1.6時(shí)得到的分類結(jié)果如圖5所示。

對(duì)于分類結(jié)果而言，當(dāng)FOA-GRNN和GRNN的輸出結(jié)果小于0.5時(shí)，就定義為0；輸出結(jié)果大于等于0.5的時(shí)候，就定義為1。表2表示用來(lái)分類的原始數(shù)據(jù)的組別以及FOA-GRNN和GRNN分類的結(jié)果比較。

表2 FOA-GRNN與GRNN的預(yù)測(cè)結(jié)果

從表2可以很容易看出GRNN一共有3出錯(cuò)誤，準(zhǔn)確率為81.25%，而FOA-GRNN的輸出結(jié)果全部正確，準(zhǔn)確率達(dá)到100%。實(shí)驗(yàn)結(jié)果表明，F(xiàn)OA優(yōu)化后的Spread代入GRNN模型中可以達(dá)到非常好的分類效果。

4 結(jié)論

用FOA對(duì)GRNN中的徑向基函數(shù)的擴(kuò)展參數(shù)Spread進(jìn)行優(yōu)化，充分利用和結(jié)合了FOA自身在計(jì)算速度、全局尋優(yōu)上的特點(diǎn)，GRNN的非線性映射能力和非常高的容錯(cuò)性，然后把它運(yùn)用在單位運(yùn)營(yíng)狀況的分類中。結(jié)果表明，所設(shè)計(jì)的參數(shù)優(yōu)化方法能夠準(zhǔn)確、有效地解決GRNN的參數(shù)尋優(yōu)問(wèn)題，從而得到非常好的分類效果。這項(xiàng)研究對(duì)今后的分類和預(yù)測(cè)方向的探索與發(fā)展都具備十分重要的理論和實(shí)踐意義。

［1］郭丁銘.公司破產(chǎn)與董事對(duì)債權(quán)人的義務(wù)和責(zé)任［J］.上海財(cái)經(jīng)大學(xué)學(xué)報(bào)，2014，16（2）：83-89.

［2］伊良忠，章超，裴崢.廣義回歸神經(jīng)網(wǎng)絡(luò)的改進(jìn)及在交通預(yù)測(cè)中的應(yīng)用［J］.山東大學(xué)學(xué)報(bào)（工學(xué)版），2013，43（1）：9-14.

［3］周敏，李世玲.廣義回歸神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)建模中的應(yīng)用［J］.計(jì)算機(jī)測(cè)量與控制，2007，15（9）：1189-1191.

［4］楊德志.廣義回歸神經(jīng)網(wǎng)絡(luò)在乙肝發(fā)病數(shù)時(shí)間序列預(yù)測(cè)中的應(yīng)用［J］.計(jì)算機(jī)應(yīng)用與軟件，2013，30（4）：217-219.

［5］谷志紅，牛東曉，王會(huì)青.廣義回歸神經(jīng)網(wǎng)絡(luò)模型在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用研究［J］.中國(guó)電力，2006，39（4）：11-14.

［6］PAN W T.A new fruit fly optimization algorithm：taking the financial distress model as an example ［J］Knowledgebased Systems，2012，26：69-74.

［7］WANGL，ZHENGXL，WANGSY.Anovelbinaryfruitflyoptimization algorithm for solving the multidimensional knapsack problem［J］.Knowledge-basedSystems，2013，48（3）：17-23.

［8］韓俊英，劉成忠.自適應(yīng)變異的果蠅優(yōu)化算法［J］.計(jì)算機(jī)應(yīng)用研究，2013，30（9）：2641-2644.

［9］王雪剛，鄒早建.基于果蠅優(yōu)化算法的支持向量機(jī)參數(shù)優(yōu)化在船舶操縱預(yù)報(bào)中的應(yīng)用［J］.上海交通大學(xué)學(xué)報(bào)，2013，47（6）：884-888.

Classification of Company Operation Condition Based on the Generalized Regression Neural Network

CUI Xia-xia，HU Hong-ping，BAI Yan-ping
（School of Science Norch University of China，Taiyuan 030051，China）

The operation of the company will directly affect the interests of the shareholders and the general people and the use of generalized regression neural network to classify in view of the operational situation is put forward.According to the selection of the radial basis function of the extended parameter spread in the generalized regression neural network may lead to the accuracy of classification，a classification model based on fruit fly optimization algorithm to optimize the generalized regression neural network is proposed.Make full use of the fruit fly optimization algorithm global search optimization ability and the optimized parameters are substituted into the generalized regression neural network to classify the company's bankruptcy data.The experimental results show that compared to the generalized regression neural network，the optimized network model has a better forecasting accuracy，and it has a great practical value in the prediction and classification of related fields.

fruit fly optimization algorithm，generalized regression neural network，company，operate，classification

TP391

A

10.3969/j.issn.1002-0640.2017.11.33

1002-0640（2017）11-0156-03

2016-09-07

2016-11-15

國(guó)家自然科學(xué)基金資助項(xiàng)目（61275120）

崔霞霞（1991- ），女，山西臨汾人，碩士研究生。研究方向：現(xiàn)代優(yōu)化算法。