混沌粒子群算法化神经网络的财务管理预警方法

高学芹

(广州华立科技职业学院 管理学院， 广东 广州 511325)

0 引言

财务管理是当代财务管理的重要研究方向，财务管理过程十分复杂，对财务管理进行及时预警具有重要的研究意义[1-3]。

当前财务管理预警方法可以划分为两大类，一类为线性财务管理预警型，主要有基于层次分析法的财务管理预警方法、灰色模型的财务管理预警方法，由于财务管理预警是一个复杂的变化系统，它们财务管理预警误差大[4-6]。另一为非线性的财务管理预警方法，如人工神经网络，其中RBF神经网络的财务管理预警应用范围最广，但是其参数优化问题一直没有解决，影响财务管理预警效果[7-9]。因此传统预警方法无法刻画财务管理的变化规律，使得财务管理预警结果不可靠，实时性很差[10]。

为了获得十分理想的财务管理预警结果，本文提出了基于混沌粒子群算法化神经网络的财务管理预警方法。首先收集与财务管理预警相关的数据，采用RBF神经网络对财务管理预警变化规律进行建模和描述，得到财务管理预警的分类器，并引入混沌粒子群算法优化财务管理预警分类器的参数，最后采用python编程实现财务管理预警仿真模拟实验，结果表明，相对于传统财务管理预警方法，混沌粒子群算法化神经网络的财务管理预警效果更优。

1 基于混沌粒子群算法化神经网络的财务管理预警方法

1.1 RBF神经网络

神经网络是当前一种主要的学习算法，具有很好的非线性分类和预测能力，其中RBF神经网络结构，如图1所示。

图1 RBF神经网络结构

设输入样本数据为X′，Ri(X′)为RBF函数，RBF神经网络输出为式(1)。

(1)

式中，i表示第i个神经元节点;l表示神经元节点的数量；Wis表示隐层层的连接权值。

RBF函数的具体定义为式(2)。

(2)

在RBF神经网络的学习过程中，得到不同样本与中心之间的具体根据为式(3)。

(3)

样本与最小距离的cmin中心进行不断调整,如式(4)。

cmin(j)=cmin(j-1)+α(X′(j)-cmin(j-1))

(4)

式中，α为学习速率。

并对距离范式进行相应的调整,如式(5)。

(5)

不断重复上述过程，确定最优的c(j)[11-13]。

在RBF神经网络的学习过程中，参数连接权值和聚类中心的数量十分关键，当前主要采用人工方式进行确定，无法保证RBF神经网络的学习最优，因此本文采用混沌粒子群优化算法确定连接权值和聚类中心。

1.2 混沌粒子群优化算法

标准粒子群算法的粒子状态更新方式为式(6)、式(7)。

(6)

(7)

式中，参数具体含义参见文献[14-15]。

由于标准粒子群算法存在一定的不足，如后期收敛速度慢，得到局部最优解的概率大，因此得到的RBF神经网络的连接权值和聚类中心并非全局最优，因此引入混沌理论对标准粒子群算法进行改进。

采用Logistic映射产生一个序列，具体为式(8)。

zi+1=μzi(1-zi),i=0,1,…,μ∈(2,4]

(8)

粒子群的适应度方差(σ2)定义为式(9)。

(9)

式中，f为归一化定标因子，具体为式(10)。

(10)

当粒子群的适应度方差比较小时，表示粒子群的个体多样性比较差，这样就需要采用混沌序列对个体最优位置进行处理，以增加粒子群的个体多样性，找到更优的RBF神经网络的连接权值和聚类中心。

1.3 混沌粒子群算法化神经网络的财务管理预警步骤

(1) 采集财务管理预警历史数据，对一些无用数据进行删除，确定最近邻平均点补充删除的财务管理预警历史数据。

(2) 对财务管理预警等级进行打分，根据打分结果划为不同的等级。

(3) 选择部分财务管理预警历史数据作为训练样本集合。

(4) 采用混沌粒子群算法确定RBF神经网络的连接权值和聚类中心。

(5) 根据连接权值和聚类中心确定RBF神经网络的最优结构。

(6) RBF神经网络对财务管理预警的训练样本集合进行学习，建立最优的财务管理预警分类器。

(7) 采用测试样本对财务管理预警分类器的有效性进行测试。

2 财务管理预警效果的仿真模拟测试

2.1 数据来源以及实验环境

为了分析基于混沌粒子群算法化神经网络的财务管理预警方法有效性，python编程实现财务管理预警仿真模拟实验。为了测试混沌粒子群算法化神经网络的财务管理预方法优势，采用层次分析法的财务管理预警方法和灰色理论的财务管理预警方法进行对照实验。从一个企业财务管理系统选取一些历史数据作为研究对象，为了使结果具有更好的说服力，进行了5次实验，它们样本分布如表1所示。

表1 财务管理预警仿真实验的样本数据

2.2 财务管理预警实验的结果与分析

统计3种方法的财务管理预警正确率、误警率、虚警率，它们分别如图2—图4所示。

图2 不同方法的财务管理预警正确率对比

图3 不同方法的财务管理误预警率对比

图4 不同方法的财务管理虚警率对比

对图2—图4的财务管理预警结果进行比较发现，本文方法的财务管理预警整体性能要优于传统方法，解决当前财务管理预警存在的误差大的难题。

2.4 计算财务管理预警建模时间

计算财务管理预警建模时间，它们分别如图5所示。

图5 不同方法的财务管理预警的建模时间对比

对财务管理预警建模时间进行比较，本文方法的财务管理预警建模时间得到了缩短，财务管理预警建模速度加快，可以处理更多的财务管理预警数据。

2.5 财务管理预警的通用性测试

财务管理预警的通用性是评价财务管理预警方法的一个重要性能指标，选择不同类型企业的财务管理系统作研究目标，采用3种方法对它们的财务管理预警正确率进行计算，如表2所示。

表2 10类型财务管理预警结果比较

从表2可以看出，相对于层次分析、灰色模型，本文方法的财务管理预警正确率更高，具有更优的财务管理预警通用性。

3 总结

传统预警方法无法刻画财务管理的变化规律，使得财务管理预警结果不可靠，实时性很差，为了获得十分理想的财务管理预警结果，本文提出了基于混沌粒子群算法化神经网络的财务管理预警方法。首先对财务管理预警原理进行分析，找到财务管理预警的关键技术，然后收集与财务管理预警相关的数据，采用RBF神经网络对财务管理预警变化规律进行建模和描述，得到财务管理预警的分类器，并引入混沌粒子群算法优化财务管理预警分类器的参数，最后仿真模拟实验结果表明，相对于传统财务管理预警方法，混沌粒子群算法化神经网络的财务管理预警正确率得到了有效的提升，在有效时间内对财务管理进行预警，解决当前财务管理预警过程存在的一些难题，具有较高的实际应用价值。