第1章 导论<br>1.1 问题提出背景<br>1.2 研究目的与意义<br>1.2.1 研究目的<br>1.2.2 研究意义<br>1.3 研究动态<br>1.4 本书研究内容与研究框架<br>1.4.1 研究内容<br>1.4.2 研究方法<br>1.4.3 技术路线<br>1.4.4 本书框架结构<br>1.5 本书研究的关键技术问题与创新之处<br>1.5.1 本书研究的关键技术问题<br>1.5.2 研究的创新之处<br><br>第2章 信用风险管理理论与方法综述<br>2.1 信用风险涵义与特点<br>2.1.1 信用风险涵义<br>2.1.2 信用风险的产生<br>2.1.3 信用风险影响因素<br>2.1.4 信用风险主要特点<br>2.1.5 信用风险管理原则<br>2.2 巴塞尔新资本协议关于信用风险管理的主要内容<br>2.2.1 计量信用风险的标准法<br>2.2.2 信用风险资本计算的内部评级法（IRB）<br>2.3 信用风险评估模型比较分析<br>2.3.1 古典信用分析方法<br>2.3.2 现代信用风险评估模型<br>2.4 现行信用风险评估模型存在的主要问题<br>2.5 利用综合智能技术改进信用风险评估模型的基本思想<br>本章小结<br><br>第3章 智能计算技术理论基础<br>3.1 神经网络基本理论<br>3.1.1 神经元和神经网络及其模式识别能力<br>3.1.2 神经网络的学习算法及训练评价准则<br>3.1.3 隐含层及隐含层节点数目的确定<br>3.2 模糊逻辑基本理论<br>3.2.1 模糊集基本运算与模糊关系<br>3.2.2 模糊逻辑推理系统的分类<br>3.3 遗传算法基本理论<br>3.3.1 遗传算法基本流程<br>3.3.2 遗传算法搜索策略<br>本章小结<br><br>第4章 改进的遗传算法设计与综合智能计算研究<br>4.1 神经网络、模糊逻辑和遗传算法特性的比较分析<br>4.2 改进的遗传算法设计<br>4.2.1 多子群模型结构设计<br>4.2.2 遗传算法的编码方式<br>4.2.3 选择策略的改进研究<br>4.2.4 基于标准差的自适应交叉、变异算子<br>4.3 神经网络、模糊逻辑和遗传算法的综合技术研究<br>4.3.1 神经网络、模糊逻辑和遗传算法的结合方式分析<br>4.3.2 遗传进化型模糊神经网络模型的结构与算法设计<br>本章小结<br><br>第5章 基于遗传进化型模糊神经网络的信用风险评估模型设计<br>5.1 信用评级概念<br>5.2 信用风险指标体系的建立<br>5.3 样本采集和数据统计<br>5.3.1 二分类信用样本<br>5.3.2 多分类信用样本<br>5.4 信用风险影响因子分析<br>5.4.1 二分类信用样本因子分析<br>5.4.2 多分类信用样本因子分析<br>5.5 基于信用样本的风险评估模型设计<br>5.5.1 基于BP神经网络的信用风险评估模型<br>5.5.2 基于模糊神经网络的信用风险评估模型<br>5.5.3 基于遗传进化型模糊神经网络的信用风险评估模型<br>5.5.4 n重交叉验证技术<br>本章小结<br><br>第6章 信用风险评估模型实验结果的比较分析<br>6.1 二分类信用风险评估模型的比较分析<br>6.1.1 实验结果<br>6.1.2 比较分析<br>6.1.3 初步结论<br>6.2 多分类信用风险评估模型的比较分析<br>6.2.1 实验结果<br>6.2.2 比较分析<br>6.2.3 初步结论<br>本章小结<br>结束语<br>附录<br>主要参考文献
展开
