基于广义回归神经网络的单位运营状况分类*

崔霞霞，胡红萍，白艳萍

（中北大学理学院，太原 030051）

基于广义回归神经网络的单位运营状况分类*

崔霞霞，胡红萍，白艳萍

（中北大学理学院，太原 030051）

单位的运营状况会直接影响股东和广大人民的利益，针对运营状况可以使用广义回归神经网络进行分类。由于广义回归神经网络中径向基函数的扩展参数Spread的选取会导致分类的准确率，提出了一种果蝇优化算法优化参数Spread的分类模型。充分利用了果蝇优化算法的寻优能力，将优化后的参数代入到广义回归神经网络中对单位的财务数据进行运营状况的分类。结果表明，与广义回归神经网络做比较，优化后的网络模型对数据的分类可以达到很高的准确率，在相关领域的分类上有非常大的实用性。

果蝇优化算法，广义回归神经网络，单位，运营，分类

0 引言

单位破产时，它的财产已经不足以偿还清所有的债务，就会严重损害债券人的利益。通过单位近几年的现金流量、净收入、总资产、总债务等判断单位的运营情况已经得到了越来越多的研究和关注，准确地判断单位运营情况可以对债券人，董事以及人民带来很好的信息。广义回归神经网络是一种前馈式神经网络模型。它是径向基网络的一种，它具有样本数据量少、初始化参数少、收敛速度快等优点。因此，这一理论得到了广泛的研究。但是在该网络中径向基函数的扩展参数Spread的选取直接影响到分类的结果，如何选取合适的参数值已经成为了一项研究和探索的任务。

本文将果蝇优化算法优化后的Spread值代入到单位运营情况的分类模型中。把它同优化前的分类结果做比较，可以发现结果会有非常显著的提高。

1 基本原理

1.1 广义回归神经网络

广义回归神经网络（GRNN）是Donald F.Specht提出的一种基于非线性回归神经网络模型。它在逼近能力和学习速率上都有非常明显的优势，当样本数据很少时也会获得非常好的分类和预测结果。该算法在分类、预测和优化方面都取得了很好的成果。GRNN与RBF在结构上非常类似，它包括输入层、模式层、求和层与输出层，结构如图1所示。

GRNN是以非线性回归分析作为理论基础［4］。设随机变量x和y的联合概率密度函数f（x，y），对应输入X，输出Y，并且已知x的观测值为X，那么y对于X的回归，也就是条件均值为

对于未知的f（x，y），可以应用Parzen非参数估计得到估算［5］。通过计算可得到估计值

1.2 果蝇优化算法

果蝇优化算法（fruit fly optimization algorithm，FOA）是潘文超提出的一种全新的算法。它是对果蝇觅食行为的模拟，由于果蝇在自身的嗅觉和视觉上都有较强的优势，它可以高效地搜索到空气中存在的气味，接下来飞到离食物近的地方，然后通过自身的视觉找到食物和自己的同伴所在的方位，并向此处飞去。它已经非常好地应用在科学和工程领域。FOA一经提出就吸引了很多学者的探索和研究，近年来很多学者提出了果蝇算法的改进，本文基于基本的果蝇算法进行参数优化。果蝇搜寻食物的过程如图2所示。

2 果蝇算法优化广义回归神经网络

FOA在参数和计算速度等方面都有非常好的优势，人们已经把它广泛地用在求函数的极值、GRNN和SVM参数优化等。在使用GRNN进行分类时，扩展参数Spread的选取可以非常大的影响预测结果，本文用FOA对Spread进行优化，然后把得到的最优值代到GRNN中进行模型分类。图3为果蝇优化广义回归神经网络的流程图。具体的优化步骤如下：

步骤1：随机初始果蝇的位置在［0，1］之间。

步骤2：果蝇的随机飞行方向和距离在［-1，1］之间。

步骤3：需要计算与原点间的距离D（i）和距离的倒数味道浓度 S（i）［9］，把 S（i）作为Spread 的分布。

步骤4：把S（i）代入到味道浓度的判定函数中求出Smell（i），本文中把GRNN中的标准误差RMSE当作味道浓度的判定函数。

步骤5：找出果蝇群体中的最优值，也就是RMSE 的最小值，［bestSmell bestindex］=min（Smell）。

步骤6：保留最佳的S（i）与其相对应的坐标，然后果蝇向该处飞去。

步骤7：重复进行步骤 2～5，如果 S（i）优于前一次迭代，那么就进行步骤6。

步骤8：判断是否到最大迭代次数，如果达到就把得到的最优的参数代入到GRNN中进行分类。

3 仿真案例分析

数据来源于40个单位的年度财务数据，其中一共收集了19个破产单位，21个财务良好的单位。其中组别0表示破产单位，组别1表示财务良好的单位，一共涉及到4个特征值，其中x1为现金流量/总债务，x2为净收入/总资产，x3为流动资产/流动债务，x4为流动资产/净销售额。以1到16为分类样本，部分原始数据如表1所示。

表1 部分原始数据

3.1 实验分析与比较

实验仿真时，针对FOA-GRNN的分类模型中果蝇的位置在［0，1］之间，种群规模为10，迭代次数为50，随机飞行方向和距离在［-1，1］之间，此时所得到最优的Spread值为0.531，它的分类结果如图4所示。而GRNN模型，Spread为1.6时得到的分类结果如图5所示。

对于分类结果而言，当FOA-GRNN和GRNN的输出结果小于0.5时，就定义为0；输出结果大于等于0.5的时候，就定义为1。表2表示用来分类的原始数据的组别以及FOA-GRNN和GRNN分类的结果比较。

表2 FOA-GRNN与GRNN的预测结果

从表2可以很容易看出GRNN一共有3出错误，准确率为81.25%，而FOA-GRNN的输出结果全部正确，准确率达到100%。实验结果表明，FOA优化后的Spread代入GRNN模型中可以达到非常好的分类效果。

4 结论

用FOA对GRNN中的径向基函数的扩展参数Spread进行优化，充分利用和结合了FOA自身在计算速度、全局寻优上的特点，GRNN的非线性映射能力和非常高的容错性，然后把它运用在单位运营状况的分类中。结果表明，所设计的参数优化方法能够准确、有效地解决GRNN的参数寻优问题，从而得到非常好的分类效果。这项研究对今后的分类和预测方向的探索与发展都具备十分重要的理论和实践意义。

［1］郭丁铭.公司破产与董事对债权人的义务和责任［J］.上海财经大学学报，2014，16（2）：83-89.

［2］伊良忠，章超，裴峥.广义回归神经网络的改进及在交通预测中的应用［J］.山东大学学报（工学版），2013，43（1）：9-14.

［3］周敏，李世玲.广义回归神经网络在非线性系统建模中的应用［J］.计算机测量与控制，2007，15（9）：1189-1191.

［4］杨德志.广义回归神经网络在乙肝发病数时间序列预测中的应用［J］.计算机应用与软件，2013，30（4）：217-219.

［5］谷志红，牛东晓，王会青.广义回归神经网络模型在短期电力负荷预测中的应用研究［J］.中国电力，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］韩俊英，刘成忠.自适应变异的果蝇优化算法［J］.计算机应用研究，2013，30（9）：2641-2644.

［9］王雪刚，邹早建.基于果蝇优化算法的支持向量机参数优化在船舶操纵预报中的应用［J］.上海交通大学学报，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

国家自然科学基金资助项目（61275120）

崔霞霞（1991- ），女，山西临汾人，硕士研究生。研究方向：现代优化算法。