前言：尋找寫作靈感？中文期刊網用心挑選的混沌粒子群算法神經網絡財務管理探析，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。
摘要：財務管理是當代財務管理的重要研究方向，財務管理過程十分復雜，對財務管理進行及時預警具有重要的研究意義。傳統預警方法無法刻畫財務管理的變化規律，使得財務管理預警結果不可靠，實時性較差。為了獲得理想的財務管理預警結果，提出了基于混沌粒子群算法化神經網絡的財務管理預警方法。首先對財務管理預警原理進行分析，找到財務管理預警的關鍵技術，然后收集與財務管理預警相關的數據，采用RBF神經網絡對財務管理預警變化規律進行建模和描述，得到財務管理預警的分類器，并引入混沌粒子群算法優化財務管理預警分類器的參數，最后進入了財務管理預警仿真模擬實驗。試驗結果表明，相對于傳統財務管理預警方法，混沌粒子群算法化神經網絡的財務管理預警正確率得到了有效的提升，在有效時間內對財務管理進行預警，解決當前財務管理預警過程中存在的一些難題，具有較高的實際應用價值。
關鍵詞：企業財務；管理風險；RBF神經網絡；預警分類器；模擬實驗；混沌粒子群算法
0引言
財務管理是當代財務管理的重要研究方向，財務管理過程十分復雜，對財務管理進行及時預警具有重要的研究意義［1－3］。當前財務管理預警方法可以劃分為兩大類，一類為線性財務管理預警型，主要有基于層次分析法的財務管理預警方法、灰色模型的財務管理預警方法，由于財務管理預警是一個復雜的變化系統，它們財務管理預警誤差大［4－6］。另一為非線性的財務管理預警方法，如人工神經網絡，其中RBF神經網絡的財務管理預警應用范圍最廣，但是其參數優化問題一直沒有解決，影響財務管理預警效果［7－9］。因此傳統預警方法無法刻畫財務管理的變化規律，使得財務管理預警結果不可靠，實時性很差［10］。為了獲得十分理想的財務管理預警結果，本文提出了基于混沌粒子群算法化神經網絡的財務管理預警方法。首先收集與財務管理預警相關的數據，采用RBF神經網絡對財務管理預警變化規律進行建模和描述，得到財務管理預警的分類器，并引入混沌粒子群算法優化財務管理預警分類器的參數，最后采用python編程實現財務管理預警仿真模擬實驗，結果表明，相對于傳統財務管理預警方法，混沌粒子群算法化神經網絡的財務管理預警效果更優。
1基于混沌粒子群算法化神經網絡的財務管理預警方法
1．1RBF神經網絡。神經網絡是當前一種主要的學習算法，具有很好的非線性分類和預測能力，其中RBF神經網絡結構，如圖1所示。圖1RBF神經網絡結構設輸入樣本數據為X′，Ri（X′）為RBF函數，RBF神經網絡輸出為式（1）。f（X′）＝∑li＝1WisRi（X′）（1）式中，i表示第i個神經元節點；l表示神經元節點的數量；Wis表示隱層層的連接權值。RBF函數的具體定義為式（2）。Ri（X′）＝exp－12X′－ci2σ（）（）i（2）式中，ci表示RBF的中心；σi表示中心點寬度；X′－ci為樣本與中心的距離。在RBF神經網絡的學習過程中，得到不同樣本與中心之間的具體根據為式（3）。σi（j）＝X′（j）－ci（j－1）（3）樣本與最小距離的cmin中心進行不斷調整，如式（4）。cmin（j）＝cmin（j－1）＋α（X′（j）－cmin（j－1））（4）式中，α為學習速率。并對距離范式進行相應的調整，如式（5）。σmin（j）＝X′（j）－cmin（j）（5）不斷重復上述過程，確定最優的c（j）［11－13］。在RBF神經網絡的學習過程中，參數連接權值和聚類中心的數量十分關鍵，當前主要采用人工方式進行確定，無法保證RBF神經網絡的學習最優，因此本文采用混沌粒子群優化算法確定連接權值和聚類中心。
1．2混沌粒子群優化算法。標準粒子群算法的粒子狀態更新方式為式（6）、式（7）。vk＋1id＝ωk×vkid＋c1×rand1×pkid－xk（id）＋c2×rand2×pkgd－xk（gd）（6）xk＋1id＝xkid＋vkid（7）式中，參數具體含義參見文獻［14－15］。由于標準粒子群算法存在一定的不足，如后期收斂速度慢，得到局部最優解的概率大，因此得到的RBF神經網絡的連接權值和聚類中心并非全局最優，因此引入混沌理論對標準粒子群算法進行改進。采用Logistic映射產生一個序列，具體為式（8）。zi＋1＝μzi（1－zi），i＝0，1，…，μ∈（2，4］（8）粒子群的適應度方差（σ2）定義為式（9）。σ2＝∑Nt＝1ft－favg（）f2（9）式中，f為歸一化定標因子，具體為式（10）。f＝max1≤i≤Nfi－favg，maxfi－favg＞11，maxfi－favg≤｛1（10）當粒子群的適應度方差比較小時，表示粒子群的個體多樣性比較差，這樣就需要采用混沌序列對個體最優位置進行處理，以增加粒子群的個體多樣性，找到更優的RBF神經網絡的連接權值和聚類中心。
1．3混沌粒子群算法化神經網絡的財務管理預警步驟。（1）采集財務管理預警歷史數據，對一些無用數據進行刪除，確定最近鄰平均點補充刪除的財務管理預警歷史數據。（2）對財務管理預警等級進行打分，根據打分結果劃為不同的等級。（3）選擇部分財務管理預警歷史數據作為訓練樣本集合。（4）采用混沌粒子群算法確定RBF神經網絡的連接權值和聚類中心。（5）根據連接權值和聚類中心確定RBF神經網絡的最優結構。（6）RBF神經網絡對財務管理預警的訓練樣本集合進行學習，建立最優的財務管理預警分類器。（7）采用測試樣本對財務管理預警分類器的有效性進行測試。
2財務管理預警效果的仿真模擬測試
2．1數據來源以及實驗環境。為了分析基于混沌粒子群算法化神經網絡的財務管理預警方法有效性，python編程實現財務管理預警仿真模擬實驗。為了測試混沌粒子群算法化神經網絡的財務管理預方法優勢，采用層次分析法的財務管理預警方法和灰色理論的財務管理預警方法進行對照實驗。從一個企業財務管理系統選取一些歷史數據作為研究對象，為了使結果具有更好的說服力，進行了5次實驗，它們樣本分布如表1所示。
2．2財務管理預警實驗的結果與分析。統計3種方法的財務管理預警正確率、誤警率、虛警率，它們分別如圖2—圖4所示。對圖2—圖4的財務管理預警結果進行比較發現，本文方法的財務管理預警整體性能要優于傳統方法，解決當前財務管理預警存在的誤差大的難題。
2．3計算財務管理預警建模時間。計算財務管理預警建模時間，它們分別如圖5所示。對財務管理預警建模時間進行比較，本文方法的財務管理預警建模時間得到了縮短，財務管理預警建模速度加快，可以處理更多的財務管理預警數據。
2．4財務管理預警的通用性測試。財務管理預警的通用性是評價財務管理預警方法的一個重要性能指標，選擇不同類型企業的財務管理系統作研究目標，采用3種方法對它們的財務管理預警正確率進行計算，如表2所示。從表2可以看出，相對于層次分析、灰色模型，本文方法的財務管理預警正確率更高，具有更優的財務管理預警通用性。
3總結
傳統預警方法無法刻畫財務管理的變化規律，使得財務管理預警結果不可靠，實時性很差，為了獲得十分理想的財務管理預警結果，本文提出了基于混沌粒子群算法化神經網絡的財務管理預警方法。首先對財務管理預警原理進行分析，找到財務管理預警的關鍵技術，然后收集與財務管理預警相關的數據，采用RBF神經網絡對財務管理預警變化規律進行建模和描述，得到財務管理預警的分類器，并引入混沌粒子群算法優化財務管理預警分類器的參數，最后仿真模擬實驗結果表明，相對于傳統財務管理預警方法，混沌粒子群算法化神經網絡的財務管理預警正確率得到了有效的提升，在有效時間內對財務管理進行預警，解決當前財務管理預警過程存在的一些難題，具有較高的實際應用價值。
作者:高學芹 單位:廣州華立科技職業學院管理學院