秦利　潘怡然

摘 ?要： 為了準(zhǔn)確、高效地評(píng)估養(yǎng)老保險(xiǎn)補(bǔ)貼介入的風(fēng)險(xiǎn)產(chǎn)生概率與危害程度，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)下的養(yǎng)老保險(xiǎn)介入風(fēng)險(xiǎn)的評(píng)估系統(tǒng)。以創(chuàng)建一個(gè)通用的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)的評(píng)估環(huán)境為前提，設(shè)計(jì)包含五大模塊的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估系統(tǒng)總體框架，采用貝葉斯正則化算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的權(quán)值和學(xué)習(xí)率，并將養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)指標(biāo)作為優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的輸入向量，根據(jù)網(wǎng)絡(luò)獲得參數(shù)最優(yōu)解，集成養(yǎng)老保險(xiǎn)介入風(fēng)險(xiǎn)評(píng)估信息，實(shí)現(xiàn)養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)具備較高的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估效率，可有效評(píng)估出不合理的風(fēng)險(xiǎn)因素，準(zhǔn)確評(píng)估出養(yǎng)老保險(xiǎn)補(bǔ)貼介入的風(fēng)險(xiǎn)產(chǎn)生概率與危害程度。

關(guān)鍵詞： 養(yǎng)老保險(xiǎn); 補(bǔ)貼介入; 風(fēng)險(xiǎn)評(píng)估; 系統(tǒng)設(shè)計(jì); BP神經(jīng)網(wǎng)絡(luò); 實(shí)驗(yàn)分析

中圖分類號(hào)： TN915.08?34; TP393.08 ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）24?0156?04

Endowment insurance subsidy intervention risk assessment system based on

improved BP neural network

QIN Li， PAN Yiran

（Northeast Forestry University， Harbin 150040， China）

Abstract： An endowment insurance subsidy intervention risk assessment system based on BP neural network is improved to accurately and efficiently evaluate the risk probability and harm degree of endowment insurance subsidy intervention. On the basis of the premise of creating a general assessment environment for the endowment insurance subsidy intervention risk， the overall framework of endowment insurance subsidy intervention risk system including five modules is designed. The weight and learning rate of the BP neural network are optimized by means of the Bayesian regularization algorithm， and the endowment insurance subsidy intervention risk index is used as the input vector of the optimized BP neural network. The optimal solution of parameters is obtained according to the network， and the risk assessment information of endowment insurance subsidy intervention is integrated， so as to realize the risk assessment of endowment insurance subsidy intervention. The experimental results show that the system has high efficiency in risk assessment of endowment insurance subsidy intervention， can effectively assess the unreasonable risk factors， and accurately assess the risk probability and harm degree of endowment insurance subsidy intervention.

Keywords： endowment insurance; subsidy intervention; risk assessment; system design; BP neural network; experiment analysis

0 ?引 ?言

國(guó)家實(shí)行養(yǎng)老保險(xiǎn)補(bǔ)貼是為了保障居民年老時(shí)的基本生活權(quán)益，如今的養(yǎng)老保險(xiǎn)補(bǔ)貼由之前的“先繳后補(bǔ)”改為“同繳同補(bǔ)”，即只繳納自己應(yīng)承擔(dān)部分，剩余資金部分由就業(yè)單位補(bǔ)助。雖然養(yǎng)老保險(xiǎn)能夠保障居民年老時(shí)的基本生活，但是在保障權(quán)益的同時(shí)也會(huì)出現(xiàn)一定的風(fēng)險(xiǎn)[1]。因此，建立利用智能評(píng)估手段進(jìn)行的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估十分有必要[2]。

養(yǎng)老保險(xiǎn)補(bǔ)貼介入存在諸多風(fēng)險(xiǎn)，需要運(yùn)用評(píng)估系統(tǒng)進(jìn)行評(píng)估。傳統(tǒng)的評(píng)估系統(tǒng)有很多，比如基于量子門(mén)線路神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)評(píng)估系統(tǒng)[3]以及基于大數(shù)據(jù)的風(fēng)險(xiǎn)評(píng)估系統(tǒng)[4]等。這些評(píng)估系統(tǒng)在進(jìn)行風(fēng)險(xiǎn)評(píng)估時(shí)評(píng)估結(jié)果通常是非線性的，并存在許多誤差，因此有必要運(yùn)用一種新方法對(duì)其進(jìn)行改進(jìn)。在處理非線性化數(shù)據(jù)上，神經(jīng)網(wǎng)絡(luò)是一種使用范圍及涉及領(lǐng)域較廣的核心手段，其已經(jīng)運(yùn)用于農(nóng)業(yè)與建筑業(yè)等。神經(jīng)網(wǎng)絡(luò)作為一項(xiàng)新興的數(shù)據(jù)處理技術(shù)，主要采用計(jì)算機(jī)模擬生物體的神經(jīng)元活動(dòng)規(guī)律，完成對(duì)有關(guān)數(shù)據(jù)的學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)擁有自適應(yīng)性、高度魯棒性及分布存儲(chǔ)等特點(diǎn)，能夠?qū)⒂?jì)算機(jī)控制學(xué)與數(shù)學(xué)等多項(xiàng)科學(xué)技術(shù)融入到自身運(yùn)算中，因此該項(xiàng)技術(shù)是目前人工智能發(fā)展的趨勢(shì)之一[5]。

本文設(shè)計(jì)基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估系統(tǒng)，利用貝葉斯正則化算法改進(jìn)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法的權(quán)值和學(xué)習(xí)率，實(shí)現(xiàn)對(duì)養(yǎng)老保險(xiǎn)介入風(fēng)險(xiǎn)評(píng)估信息的集成，有效實(shí)現(xiàn)養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估。

1 ?基于貝葉斯算法優(yōu)化BP網(wǎng)絡(luò)神經(jīng)的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估系統(tǒng)

1.1 ?養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估系統(tǒng)總體框架

創(chuàng)建一個(gè)普用的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估環(huán)境是養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估系統(tǒng)的核心思想[6]，以該思想為前提采用風(fēng)險(xiǎn)評(píng)估手段完成專用數(shù)據(jù)庫(kù)與養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)指標(biāo)數(shù)據(jù)庫(kù)的構(gòu)建，并利用數(shù)據(jù)庫(kù)評(píng)估養(yǎng)老保險(xiǎn)補(bǔ)貼介入的網(wǎng)絡(luò)安全風(fēng)險(xiǎn)。圖1為風(fēng)險(xiǎn)評(píng)估系統(tǒng)的總體框架。

1） 風(fēng)險(xiǎn)評(píng)估的指標(biāo)體系和使用的協(xié)助要求：由養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估的指標(biāo)數(shù)據(jù)庫(kù)、數(shù)據(jù)庫(kù)的處理協(xié)助要求與風(fēng)險(xiǎn)評(píng)估指標(biāo)共同構(gòu)成風(fēng)險(xiǎn)評(píng)估的指標(biāo)體系和使用的協(xié)助要求，即是對(duì)養(yǎng)老保險(xiǎn)補(bǔ)貼介入網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估指標(biāo)的構(gòu)建，并用于幫助用戶判斷并解決詳細(xì)的問(wèn)題，通過(guò)創(chuàng)建合適的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估指標(biāo)體系，來(lái)滿足養(yǎng)老保險(xiǎn)補(bǔ)貼介入網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估的要求[7]。

2） 風(fēng)險(xiǎn)評(píng)估的方法體系和使用的協(xié)助要求：由風(fēng)險(xiǎn)評(píng)估模型的詳細(xì)典范、模型的成立標(biāo)準(zhǔn)、風(fēng)險(xiǎn)評(píng)估的模型數(shù)據(jù)庫(kù)和一些協(xié)助的要求等構(gòu)成風(fēng)險(xiǎn)評(píng)估的手段體系和使用的協(xié)助要求。風(fēng)險(xiǎn)評(píng)估的模型數(shù)據(jù)庫(kù)由各類存在風(fēng)險(xiǎn)評(píng)估的樣板模型構(gòu)成，該樣板模型包括存在模糊理論的綜合型風(fēng)險(xiǎn)和存在強(qiáng)影響等的不同類型因素的風(fēng)險(xiǎn)評(píng)估樣板模型，該樣板模型采用貝葉斯正則化算法，對(duì)權(quán)值和學(xué)習(xí)率共同優(yōu)化改進(jìn)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法，以完成評(píng)估模型的構(gòu)建。

3） 風(fēng)險(xiǎn)評(píng)估的流程和框架與使用的協(xié)助要求：由風(fēng)險(xiǎn)評(píng)估的架構(gòu)保護(hù)協(xié)助要求、風(fēng)險(xiǎn)評(píng)估的計(jì)劃協(xié)助要求、風(fēng)險(xiǎn)評(píng)估的框架圖庫(kù)以及一些協(xié)助的要求等構(gòu)成風(fēng)險(xiǎn)評(píng)估的流程和框架與使用的協(xié)助要求。由不同類別的框架構(gòu)成風(fēng)險(xiǎn)評(píng)估框架，該框架包括擁有探究性的分析與面向職責(zé)手段等不同方法的評(píng)估框架。

4） 評(píng)估系統(tǒng)的集成接口構(gòu)成：由數(shù)據(jù)的典范、接口的部件典范與模塊的設(shè)計(jì)等構(gòu)成評(píng)估系統(tǒng)的集成接口。風(fēng)險(xiǎn)評(píng)估系統(tǒng)不僅能對(duì)網(wǎng)絡(luò)實(shí)行評(píng)估，還可以連接軍事化的綜合電子系統(tǒng)接口，讓系統(tǒng)風(fēng)險(xiǎn)評(píng)估的起步計(jì)劃具有較強(qiáng)的保密性，并實(shí)行仿真運(yùn)作，找到風(fēng)險(xiǎn)評(píng)估需要的全部數(shù)據(jù)材料[8]。

5） 風(fēng)險(xiǎn)數(shù)據(jù)和信息的綜合管理：實(shí)現(xiàn)對(duì)靜態(tài)或動(dòng)態(tài)信息的基本籌備，并為評(píng)估提供措施及手段進(jìn)行數(shù)據(jù)管理[9]。系統(tǒng)的性能參數(shù)屬于靜態(tài)信息，主要是由動(dòng)態(tài)信息完成對(duì)風(fēng)險(xiǎn)評(píng)估系統(tǒng)的擴(kuò)充，并實(shí)行仿真運(yùn)作。

1.2 ?基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network）是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的方法之一[10]，其工作原理是采用信號(hào)正傳播與誤差反方向傳播來(lái)確定權(quán)值，在可接受的非常小的誤差范圍或達(dá)到事先設(shè)置學(xué)習(xí)次數(shù)而停止。三層前饋網(wǎng)是BP神經(jīng)網(wǎng)絡(luò)最常用的形式。

構(gòu)建BP神經(jīng)網(wǎng)絡(luò)評(píng)估模型步驟為：

針對(duì)養(yǎng)老保險(xiǎn)補(bǔ)貼介入存在的制度設(shè)計(jì)風(fēng)險(xiǎn)、籌資風(fēng)險(xiǎn)、基金投資風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)、給付風(fēng)險(xiǎn)等風(fēng)險(xiǎn)，將其設(shè)為BP神經(jīng)網(wǎng)絡(luò)的輸入向量[X=x1，x2，…，xn]，隱含層輸出向量是[Y=y1，y2，…，yn];輸出層輸出向量和期望輸出向量分別是[B=b1，b2，…，bn]和[D=d1，d2，…，dn]，輸入層到隱含層間的權(quán)值矩陣用[C]表示 ，[C=c1，c2，…，cn]隱含層第i個(gè)神經(jīng)元相應(yīng)的權(quán)向量是列向量[ci];隱含層到輸出層之間的權(quán)值矩陣用[E]表示，[S=s1，s2，…，sn]，隱含層第i個(gè)神經(jīng)元相應(yīng)的權(quán)向量是列向量[si]。

針對(duì)輸出層，有：

[bi=fhi， ?i=1，2，…，n] ?（1）

[hi=j=0mfsiyi] ?（2）

針對(duì)隱含層，有：

[yi=fhj， ?h=1，2，…，n] ?（3）

[hj=i=0ncijxi] ?（4）

[fx]是單極性Sigmoid函數(shù)，且式（1）、式（3）中的[fx]屬于該函數(shù)：

[fx=11+e-x] ?（5）

當(dāng)期望輸出和實(shí)際輸出不等時(shí)，產(chǎn)生誤差E：

[E=12d-b2=12k=1ldk-bk2] （6）

將式（6）代入到隱含層，可得：

[E=12r-fhk2=12k=1lr-fj=0mfsjkyj2] （7）

將式（7）代入到輸出層，可得：

[E=12rj-fj=0msijfi=0ncijxi2] （8）

調(diào)節(jié)BP算法的誤差，使誤差盡量減少，則：

[Δsij=-?E?sij， ? ?j=0，1，2，…，m;k=0，1，2，…，l] ?（9）

[Δcij=-?E?cij， ? ? i=0，1，2，…，n;j=0，1，2，…，m] ?（10）

1.2.1 ?推導(dǎo)三層BP神經(jīng)網(wǎng)絡(luò)算法權(quán)值調(diào)節(jié)的過(guò)程

針對(duì)輸出層，由式（8）得：

[Δsij=-?E?sij=-?E?hk·?hk?sij] ?（11）

對(duì)于隱含層的，由式（9）得：

[Δcij=-?E?cij=-?E?hk·?hk?cij] （12）

針對(duì)輸出層和隱含層各設(shè)置一個(gè)誤差變量，則：

[χbk=-?E?hk] ?（13）

[χyj=-?E?hj] ?（14）

由式（2）和式（13），可將式（11）推算為：

[Δsjk=μχbkyj] ?（15）

由式（4）和式（14），可將式（12）推算為：

[Δcjk=μχyjxj] ?（16）

結(jié)合式（15）和式（16），可得：

[χbk=-?E?hk=-?E?bk·?bk?hk=-?E?bkf′hk] ?（17）

[χyj=-?E?hj=-?E?yj·?yk?hj=-?E?bjf′hj] ?（18）

1.2.2 ?誤差對(duì)各層的傳遞

針對(duì)輸出層，可得：

[?E?bk=-dk-bk] （19）

針對(duì)隱含層，可得：

[?E?yj=-i=1ndk-bkf′hksjk] （20）

將式（19）和式（20）代入到式（17）和式（18），可得：

[χbk=dk-bkf′hk] ?（21）

[χyj=k=1lχbkf′hksjk] ?（22）

將式（21）和式（22）代入到式（15）和式（16），三層前饋網(wǎng)的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法權(quán)值調(diào)節(jié)公式為：

[Δsjk=μχbkyj=μdk-bkf′hkyj] ?（23）

[Δcij=μχyjxi=μi=1nχbksjkf′hksjkxi] ?（24）

因此，可以看出BP神經(jīng)網(wǎng)絡(luò)的算法由學(xué)習(xí)率[μ]、誤差變量[χ]和輸入變量[X]（或[Y]）決定。

由于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)存在易產(chǎn)生局部最小化以及收斂速度慢等缺點(diǎn)[11?12]。因此本文采用貝葉斯正則化算法（Bayesian Regularization Algorithm）訓(xùn)練神經(jīng)網(wǎng)絡(luò)，利用權(quán)值和學(xué)習(xí)率共同優(yōu)化改進(jìn)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法。

1.2.3 ?詳細(xì)調(diào)節(jié)過(guò)程

權(quán)值調(diào)節(jié)公式為：

[Δst+1=αΔst+μχX] ? （25）

式中，[α]一般取0.90。

學(xué)習(xí)率調(diào)節(jié)公式為：

[μt=1.05μt-1，Et>Et-10.7μt-1， ? 其他] ?（26）

調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練性能函數(shù)并使其達(dá)成正則化的網(wǎng)絡(luò)泛化能力。通常情況下，采用均方誤差函數(shù)[Er]實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)訓(xùn)練性能函數(shù)，則：

[Er=i=1ndi-bi2] （27）

式中，加入一項(xiàng)網(wǎng)絡(luò)權(quán)值平方和[Ep]，將原本性能函數(shù)調(diào)節(jié)成新的函數(shù)[Eu]：

[Eu=τEd+?Ep] ? （28）

式中，[τ] 和[?]是參數(shù)。

利用貝葉斯正則化算法原理，使用在網(wǎng)絡(luò)訓(xùn)練中自適應(yīng)調(diào)節(jié)變量[τ]，[?]的值，使神經(jīng)網(wǎng)絡(luò)性能達(dá)到最優(yōu)化[13?15]。根據(jù)獲得的參數(shù)最優(yōu)解，實(shí)現(xiàn)對(duì)養(yǎng)老保險(xiǎn)介入風(fēng)險(xiǎn)評(píng)估信息的集成，并完成風(fēng)險(xiǎn)評(píng)估模型的構(gòu)建，保證養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估系統(tǒng)的安全、高效及實(shí)用。

2 ?實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文設(shè)計(jì)系統(tǒng)的有效性，以某養(yǎng)老保險(xiǎn)公司為例，選取2000—2018年的6組養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)數(shù)據(jù)當(dāng)作實(shí)驗(yàn)的樣本數(shù)據(jù)，其中，養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)事件的特征量是輸入數(shù)據(jù)，系統(tǒng)評(píng)估結(jié)果當(dāng)作輸出數(shù)據(jù)。從6組數(shù)據(jù)中隨機(jī)抽取3組數(shù)據(jù)作為訓(xùn)練樣本，3組數(shù)據(jù)作為檢驗(yàn)樣本。設(shè)置訓(xùn)練的最大次數(shù)是4 000，學(xué)習(xí)速率是0.04，誤差限制在0.000 1以內(nèi)。

為了驗(yàn)證本文系統(tǒng)的評(píng)估效率，采用基于量子門(mén)線路神經(jīng)網(wǎng)絡(luò)的風(fēng)險(xiǎn)評(píng)估系統(tǒng)（文獻(xiàn)[3]系統(tǒng)）和基于大數(shù)據(jù)的風(fēng)險(xiǎn)評(píng)估系統(tǒng)（文獻(xiàn)[4]系統(tǒng)）與本文系統(tǒng)進(jìn)行比較，結(jié)果見(jiàn)圖2。

分析圖2可知，三種系統(tǒng)的保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估的相對(duì)誤差均隨著訓(xùn)練次數(shù)的增加而逐漸減少，并最終趨于穩(wěn)定，但是本文系統(tǒng)的相對(duì)誤差進(jìn)入穩(wěn)定狀態(tài)的速度快于其他兩種對(duì)比系統(tǒng)，說(shuō)明本文系統(tǒng)采用的算法收斂速度較快，進(jìn)行系統(tǒng)養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估速率高。

風(fēng)險(xiǎn)評(píng)估系統(tǒng)可將養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)評(píng)估分成兩方面，分別是產(chǎn)生概率與危害程度。而養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)的產(chǎn)生主要有四種風(fēng)險(xiǎn)因素，分別為：不恰當(dāng)?shù)难a(bǔ)貼介入時(shí)間、養(yǎng)老保險(xiǎn)補(bǔ)貼需求預(yù)測(cè)錯(cuò)誤、養(yǎng)老保險(xiǎn)補(bǔ)貼信息操作不當(dāng)以及養(yǎng)老保險(xiǎn)制度設(shè)計(jì)不當(dāng)。三種系統(tǒng)的養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)產(chǎn)生概率與危害程度對(duì)比結(jié)果見(jiàn)表1。

由表1可知，在不恰當(dāng)?shù)难a(bǔ)貼介入時(shí)間、養(yǎng)老保險(xiǎn)補(bǔ)貼需求預(yù)測(cè)錯(cuò)誤的因素下，本文系統(tǒng)中養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)產(chǎn)生的概率以及危害程度分別高于85%，92%;在養(yǎng)老保險(xiǎn)補(bǔ)貼信息操作不當(dāng)和養(yǎng)老保險(xiǎn)制度設(shè)計(jì)不當(dāng)?shù)囊蛩叵拢B(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)產(chǎn)生的概率和危害程度分別高于90%，93%，結(jié)果表明，本文系統(tǒng)能更好地協(xié)調(diào)、處理評(píng)估過(guò)程中產(chǎn)生的問(wèn)題，不會(huì)受到數(shù)據(jù)周期性、趨勢(shì)性以及隨機(jī)性影響，能夠準(zhǔn)確評(píng)估出養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)產(chǎn)生概率與危害程度，可更好地發(fā)揮出養(yǎng)老保險(xiǎn)補(bǔ)貼介入風(fēng)險(xiǎn)的評(píng)估效果，提升評(píng)估準(zhǔn)確率，降低相對(duì)誤差。

3 ?結(jié) ?論

本文改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)下的養(yǎng)老保險(xiǎn)介入風(fēng)險(xiǎn)評(píng)估系統(tǒng)，利用貝葉斯正則化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)中的權(quán)值和學(xué)習(xí)率，實(shí)現(xiàn)對(duì)養(yǎng)老保險(xiǎn)介入風(fēng)險(xiǎn)評(píng)估信息的集成，并完成對(duì)養(yǎng)老保險(xiǎn)補(bǔ)貼介入網(wǎng)絡(luò)安全風(fēng)險(xiǎn)評(píng)估系統(tǒng)的評(píng)估，保證風(fēng)險(xiǎn)評(píng)估系統(tǒng)的安全、高效以及實(shí)用，在一定程度上證明了本文設(shè)計(jì)系統(tǒng)的實(shí)用性。

參考文獻(xiàn)

[1] 胡賢德，曹蓉，李敬明，等.小微企業(yè)信用風(fēng)險(xiǎn)評(píng)估的IDGSO?BP集成模型構(gòu)建研究[J].運(yùn)籌與管理，2017，26（4）：132?139.

[2] 劉春翔，范鵬，王海濤，等.基于BP神經(jīng)網(wǎng)絡(luò)的輸電線路山火風(fēng)險(xiǎn)評(píng)估模型[J].電力系統(tǒng)保護(hù)與控制，2017（17）：100?105.