基于混沌粒子群算法的神经网络的财务管理预警优化模型_张静.pdf

，基金项目微型电脑应用 年第 卷第期基金项目：陕西省中华职业教育社（）作者简介：张静（），女，硕士，讲师，研究方向为财务机器人、会计学、纳税实务。文章编号：（）基于混沌粒子群算法的神经网络的财务管理预警优化模型张静（陕西邮电职业技术学院，经济管理学院，陕西，咸阳 ）摘要：以避免企业发生经济损失为出发点，提出基于混沌粒子群算法的神经网络的财务管理预警优化模型，提升了预警结果的可靠性。由于神经网络的财务管理预警模型存在局部极值和随机选择参数现象，导致预测结果存在较大随机性，将具备遍历特性的混沌优化算法引入至标准粒子群算法中，赋予每个粒子遍历特性，控制粒子的聚集程度，避免局部极值的发生，获取全局最佳值，保证模型的预警结果。测试结果表明：优化后模型可获取全局遍历最佳解；在迭代次数为 次时完成收敛，且适应度值为 ；全局寻优性能良好，可零误差完成财务管理预警，具备极佳的预警可靠性。关键词：混沌粒子群；优化；神经网络；财务管理；预警模型；遍历特性中图分类号：文献标志码：（，）：，；，；，：；引言财务管理作为企业管理中的重要部分，包含资金投入管理、现金流管理、利润分配管理、资本预算风险评估等。在实行财务关系处理过程中，其管理需符合一定的制度和原则，分别对应财经法规和财务管理原则。财务管理预警则是在企业的信息化的基础上，结合企业财务相关数据和报表资料，实时对企业存在的隐患和风险实行监控，并通过适宜的方式，向经营者发送风险预警。混沌粒子群算法，将具备遍历优势的混沌引入标准粒子群算法中，能有效处理局部极值问题，保证获取全局最佳值。财务管理预警模型较多，以统计和人工智能（）两种模型为主。其中，预测模型常用的为神经网络（）模型，其在预测过程中，具备明显的优势，对于数据分布的情况要求极低，同时也存在显著的弊端，即对于初始权值十分灵敏。局部极值和随机选择参数是其存在的普遍问题，导致预测结果存在较大随机性，会造成错误的预测结果，从而造成企业严重的经济损失。为提升财务管理风险预警的可靠性，文献 和文献分别提出了优化的模型方法，即分别通过改进粒子群算法和烟花算法对其实行优化，并用于财务管理的风险预测和预警。但是上述模型在预警过程中，存在收敛速度慢、粒子早熟现象，无法很好地完成神经网络的优化，从而影响模型的预警结果。为了提升 模型的预测性能，解决 模型中存在的弊端，本文提出基于混沌粒子群算法（）的神经网络的 ，基金项目微型电脑应用 年第 卷第期财务管理预警优化模型，由此优化神经网络模型，从而保证财务管理预警的准确性。优化神经网络的财务管理预警模型 基于神经网络的财务管理预警原理模型中应用普遍的是 模型（）。模型对财务管理实行预测时，将财务管理信息作为输入，其输出为企业当下运行状态。模型的训练通过预警案例完成，保证输出的结果和差异化的输入相对应，通过反复的学习得出预测结果，并将该结果作为财务管理状态最终预警结果。设、表示输入、隐含以及输出层单元的数量，模型的输入 和 输 出 向 量 分 别 用，（）和，（）表示，两者的取值可结合实际情况设置；可通过训练结果确定的取值。第输入单元至第隐含单元的权重用（，）表示，第隐含单元至第输入单元的权重用，（）表示，和的激活阈值分别用和表示。模型在训练前需完成上述参数初值的获取。训练样本的数量用表示，为获取隐含层的输出结果，采用激活函数（）对传输至隐含单元上的第，（）个训练样本信息实行处理完成，其公式为 （）（）（）为 函数，即：（）（）（）模型最终的输出结果即为经由隐含层输出至输出层的结果，其公式为 （）（）上述步骤是模型在学习过程中正向传播，除此之外模型还存在反向误差，该误差的出现表示模型和期望两者的输出结果之间存在差异化，此时需对模型的权值实行调整，其公式为（）（）（）式中，调整后的训练权重用（）表示，和均表示系数，且分别属于比例和动量，表示 差 异 化 的 误 差，其计 算 公式为（）（）通过上述步骤反复进行迭代操作，当两者的输出误差符合设定的标准时，则停止迭代，此时输出结果即为财务管理预警结果。基于 的 模型优化 优化原理为保证 模型的预警效果，将具备遍历特性的混沌优化算法引入至标准粒子群算法中，其目的是对粒子群算法的粒子早 熟 现 象 进 行 调 整，避 免 惰 性 点 附 近 形 成 大 量 粒子。因此，通过该方式可最大程度结合两种算法的优势，将混沌具备的遍历特性赋予给每一个粒子，使其拥有该特性，即可保证优化效率的同时获取全局优值。（）表示适应值，其属于粒子群体最佳位置，如果该值在一定迭代次数范围内不会发生变化，表示处于局部极值状态。依据该理论，本文对聚焦度进行定义，其公式为（）式中，和均为位置向量，分别属于当下粒子群体和第个粒子，且前者为最佳。种群规模、粒子维度和向量取模分别用、和表示，采用不是负数的作为的判断，前者小于后者时，表示粒子存在早熟可能，此时对一部分粒子实行搅动处理，其公式为（）（）（）式中，表示扰动初始值范围，表示混沌向量，其由混沌变量构成，且变量中的各个分量均处于，范围内，表示自适应因子。在迭代初期和后期，为实现混沌粒子在进行扰动后，其分布情况随着迭代次数的变化而变化，即在较大搜索范围内逐渐转变成扰动发生前的初始位置，则需满足 。优化神经网络的工作步骤 优化神经网络的详细步骤如下所述：（）将定义为粒子群规模，对连接权值实行初始化处理，且该值属于神经网络，数量为组，保证粒子的位置均可通过权值表示，且一个对应一组，各个粒子的初始速度随机选择，为获取个体和群体的最佳初始位置，需计算适应度 ，其公式为 （）（）通过式（）计算得出的值越大表示粒子未达到最佳。（）对各个粒子的速度和位置实行更新，其公式分别为 （）（）（）（）式中，表示个体的最佳位置，和均为向量，分别属于位置和速度，且均为第个粒子，表示惯性权重，其取值为 ，和、和分别表示加速系数和随机数。（）对当下各个粒子的适应度值进行重新求解，根据求解结果判断和是否需要进行更新。（）获取，该值越小表示聚集程度越小，将其和作比较，若后者小于前者，进入下一步；反之，转至步骤（）。（）对全部粒子实行排序处理，且以适应度值为依据，选择适应度值偏小的粒子的一半，采用式（）对其进行扰动，对该部分粒子的位置进行更新后，获取新的适应度值。（）对该适应度值进行判断，如果其为最小值，表示算法可停止，此时为最佳值。此外，迭代次数已经最多时，也符合上述标准；反之，回转至步骤（）重复优化步骤，直至符合标准为止。通过上述步骤，完成 模型优化。，基金项目微型电脑应用 年第 卷第期测试结果与分析为测试本文模型在财务风险预警方面的应用效果，随机选取相同时期内被证监会特殊处理的 家（编号分别为）经营领域相同、企业规模相同的上市企业发生财务风险的数据样本作为实例测试目标。结合证监会对于企业实行特殊处理的标准，为了最大程度保证模型的预警结果的可靠性，以风险发生时间前年内的财务数据作为测试数据集，测试模型对 家企业财务管理预警的效果以及长期预警性能。测试数据中包含该企业的市场价值、企业运行能力、企业资本结构、债务偿还能力和盈利能力五个方面的财务数据。同时为全面测试本文模型的预警性能，随机选取同样时期内，经营领域和规模相同的 家（编号分别为 ）没有经过特殊处理，且财务运行正常的企业财务数据。抽取两种类型企业数据中的各自家，编号分别为、的企业数据用于实行模型的构建和训练，剩余数据用于测试，验证模型的预警效果。为避免数据中存在很大数值的特征，对于预警结果造成主导影响，采用归一化对测试数据集进行处理，该处理为线性方式，处理标准范围在，内，处理公式为 （）式中，表 示 数 据 集 中 任 一 指 标 的 最 大 值，表 示 最小值。为避免 神经网络对于初始权值的敏感性较高，导致的局部极值问题，本文采用混沌粒子群优化算法对其进行优化，为测试优化后模型的性能，分别采用优化前后的模型在初始连接权值范围，时，对训练集进行训练，获取两者的训练泛化曲线，将其与训练集样本值的曲线进行比较，分析优化后的模型性能，结果如图所示。模型的迭代次数为 次，种群规模，和的取值分别为 和 ，扰动范围，。根据图测试结果可知：优化前，模型在不同的初始权值范围内的曲线变化与训练集样本实际曲线波动差异明显，拟合程度较低；优化后，模型的泛化曲线受到初始权值范围变化的影响极小，其与实际训练集样本曲线拟合程度较高。该结果表明：采用混沌粒子群算法优化后，模型可有效避免局部极值的问题，实现全局遍历最佳解的获取，提升模型的应用效果。图优化前后的模型泛化曲线优化后的预警模型可有效避免局部极值问题，为保证模型对于预警的准确性，需确定最佳模型隐含层层数，以式（）的差异化误差作为衡量标准，测试模型在不同的隐含层层数情况下，的取值结果，如图 所示。设置目标值为 以内。根据图的测试结果可知：隐含层数量不同，的取值则呈现明显差异化变化，整体呈现先上升后下降又上升的趋势；当隐含层数量为层时，的取值最高，为 ，层数为层时，的取值最低，为 ，低于目标取值。因此，优化 后 模 型 的 隐 含 层层数设为，用 于 后 续 所 有 试验中。图不同的隐含层层数时误差变化结果隐含层中的神经元数量也是影响模型预警准确性的重要部分，在最佳的隐含层数量的基础上，测试模型在不同神经元数量情况下，的取值结果，如图所示。设置目标值为 以内。根据图的测试结果可知：神经元数量在没有超过 个时，的取值范围在 之间波动；当神经元数量达到 个以后，的取值呈现直线显著下降趋势，神经元数量为 个时，的取值则为 ，符合目标取值，但是当神经元数量达到 个时，的取值则下降至 。个和 个均可作为优化后模型的神经元数量，但是，以保证模型对财务管理预警的精度为目标点，则选取的取值最低的数量作为模型的神经元数量，即为 个，后续实验中均以该结果为依据。图不同神经元数量时误差变化结果为测试优化后模型的搜索能力，将文献 和文献 的基于改进粒子群算法的模糊聚类概率神经网络预警模型和烟花算法改进 神经网络预测模型作为本文优化后模型的对比模型，测试种模型在迭代次数逐渐增加的情况下，训练集在训练过程中适应度值的变化情况，以此衡量种模型的搜索能力，结果如图所示。根据图测试结果可知：迭代次数的增加，种模型的适应度值均呈现不同情况的变化。文献 模型在迭代次数为 次时收敛，适应度值为 ；文献 模型在迭代次数为 次时收敛，适应度值为 ；本文模型在迭代次数为 次时收敛，适应度值 ，基金项目微型电脑应用 年第 卷第期为 。该结果表明，本文模型的收敛速度更佳，寻优能力更佳，明显优于另两种对比模型。图优化前后的搜索能力对比结果为测试种模型对于财务管理预警性能的优劣，将测试集样本数据分别输入种模型，根据模型的输出结果，分析每种模型的预警性能，结果如图所示。其中模型输出值超过 表示该企业存在财务风险，反之则不存在。根据图的测试结果可知：本文模型输出的结果中，输出值超过 ，存在财务管理风险的企业编号为、，其余则为 以下，表示财务管理正常，该结果与实际测试集中的企业财务管理情况一致；文献 模型和文献 模型的输出结果中分别将编号为和、的企业预测错误。该结果表明本文模型对于财务管理预警的效果良好，在零误差的情况下完成预警，显著优于另两种对比模型预警结果。该结果也间接表明混沌粒子群优化算法对于神经网络模型优化的有效性和可靠性。图种模型的输出结果总结神经网络模型在财务管理预警过程中，受到模型自身收敛速度等影响，会对最终的预警结果造成一定的不确定性或者不准确性。因此本文采用混沌粒子群算法对神经网络模型进行优化，提升财务管理预警的可靠性和准确性。经实例测试：优化后模型同时结合混沌和粒子群两种算法的优势，提升模型遍历性能，实现全局最佳值获取，并且收敛速度良好，可完成财务管理的准确预测，保证预警结果的可靠性，可满足企业使用需求。但本文方法仅对可靠性和准确性进行测试，在今后的发展中，还需增加测试指标，以验证本文方法的有效性。参考文献王成章，白晓明基于图结构扩散界面理论的财务预警模型数理统计与管理，（）：何明慧，徐怡，王冉，等 改进的粒子群算法优化神经网络及应用 计算