En empirisk analyse av risikoprediksjon for bedriftsøkonomi basert på assosiativt minne nevralt nettverk

Som en menneskelig hjernelignende beregningsmodell som kan reflektere den kognitive funksjonen til hjernen, har problemet med dynamisk analyse av assosiativt minne nevrale nettverk tiltrukket seg oppmerksomheten til forskere. )is paper kombinerer assosiativt minne nevrale nettverk med risikoer for økonomistyring i bedriften, studerer problemer med synkroniseringskontroll og stabilitetsanalyse av enveis assosiativt minnelignende menneskelig hjerneamnestiske nevrale nettverk med forstyrrelse og blandede tidsvarierende tidsforsinkelser, foreslår en toveis assosiativ minnelignende hjerne stokastisk amnestisk nevrale nettverksmodell med blandede tidsvarierende tidsforsinkelser, designer en prøvetakingskontrollstrategi for diskret tid basert på modellen, og studerer ulike typer nyere økonomiske risikoer. Basert på tidlig varslingsforskning, basert på metoden for assosiativt minne nevrale nettverk, foreslår vi å rekonstruere risikokategoriene, inkludert forbedring av bedriftens risikostyringssystem, økt bevissthet om finansiell risikostyring fra topp til bunn og styrking av kjernekonkurranseevnen til selve virksomheten og kontrolltiltak for finansiering, investering, drift og kontantstrømrisiko.

Det er en nær sammenheng mellom hjernens kognitive funksjon og hukommelse. En utmerket kognitiv funksjon kan hjelpe oss å lære, huske og forstå informasjon bedre.

For det første refererer kognitiv funksjon til individets evne til å oppfatte, bearbeide og uttrykke ekstern informasjon. Dette inkluderer områder som oppmerksomhetskontroll, mental fleksibilitet, arbeidsminne, språkferdigheter og eksekutiv funksjon. Minne er prosessen med å innhente, vedlikeholde og bruke informasjon gjennom koding, lagring og gjenfinning av informasjon. Personer med overlegen kognitiv funksjon har sterkere informasjonsbehandling og læringsevner og er bedre i stand til å konvertere informasjon til langtidshukommelse.

For det andre er det et gjensidig fremmende forhold mellom hukommelse og kognitiv funksjon. Forbedringen av kognitiv funksjon kan effektivt forbedre hukommelsen vår. For eksempel kan det å ha god oppmerksomhetskontroll og konsentrasjon hjelpe oss å beholde informasjon bedre. Forbedringer i den utøvende funksjonen hjelper oss bedre å kode, lagre og hente informasjon.

I tillegg fremmer ikke bare kognitiv funksjon hukommelsen, men god hukommelse kan også hjelpe oss å utvide kognitiv funksjon. Personer med enestående hukommelsesevne kan bedre mestre ulike ferdigheter som språk, musikk og sport, og utøve større fordeler i kognitive aktiviteter.

Derfor bør vi være fullt klar over det nære forholdet mellom hjernens kognitive funksjon og hukommelse, bevisst forbedre kognitiv funksjon, aktivt trene hukommelsen og være oppmerksom på samspillet mellom kognisjon og hukommelse. Bare på denne måten kan vi kontinuerlig utvide våre kognitive grenser og forbedre vårt personlige utviklingsnivå. Det kan sees at vi trenger å forbedre hukommelsen vår. Cistanche kan forbedre hukommelsen betydelig fordi kjøttpasta er et tradisjonelt kinesisk medisinsk materiale med mange unike effekter, en av dem er å forbedre hukommelsen. Effekten av kjøttdeig kommer fra en rekke aktive ingredienser den inneholder, inkludert karboksylsyre, polysakkarider, flavonoider, etc. Disse ingrediensene kan fremme hjernens helse gjennom ulike kanaler.

Klikk vet 10 måter å forbedre hukommelsen

1. Introduksjon

Assosiativt minne nevrale nettverk imiterer arbeidsmønsteret til nevronale celler i den menneskelige hjernen; for det første lagres mønsteret som skal lagres i form av et vektnettverk av det nevrale nettverket; Når du mottar informasjon om ufullstendig eller defekt mønster utenfra, får det nevrale nettverket på dette tidspunktet til at inngangsmønsteret kontinuerlig endrer sin verdi og konvergerer til det lagrede mønsteret ved massiv parallellberegning. )e nevrale nettverk har en god robust ytelse, noe som betyr at det assosiative minne nevrale nettverket har en god feiltoleranse ytelse. )e mønstre som skal huskes lagres først i form av et nettverk av vekter av det nevrale nettverket.

Når det mottas informasjon om ufullstendige eller fragmenterte mønstre utenfra, endrer det nevrale nettverket kontinuerlig sine verdier og konvergerer til de lagrede mønstrene gjennom massiv parallellberegning. Assosiativt minne nevrale nettverk er nå mye brukt i mønstergjenkjenning, bildebehandling, etc. Selvassosiativt minne betyr at input-aberrasjonsmønstrene er lik de huskede mønstrene; i motsetning til hetero-assosiativt minne, er input-aberrasjonsmønstrene ikke de samme som de huskede mønstrene, men viser tilsvarende kartleggingsforhold. Selvassosiativt minne refererer til bruken av assosiativt minne der det innledende mønsteret for input er identisk med det huskede utgangsmønsteret. ) Det første trinnet i selvassosiativt minne er å sette inn det ønskede lagrede mønsteret (f.eks. ordet datamaskin) i en spesifikk form i nettverksvektene gjennom læringsalgoritmen til et nevralt nettverk [1]. )no, det er mulig å legge inn mønsteret med cue-informasjon, og det nevrale nettverket utfører kontinuerlige iterative operasjoner for å gi riktig utdata. Denne cue-informasjonen er ikke hele ordet, men har støyende informasjon, men det nevrale nettverket er fortsatt i stand til å beregne for å få informasjon om det huskede ordet; dvs. dette assosiative minnenevrale nettverket har en viss grad av feiltoleranse.

Feiltoleranse er et av kriteriene for å bedømme om bruk av assosiativt minne er gjennomførbart. )e minneprosessen til det nevrale nettverket, det vil si innstillingen av vektene til det nevrale nettverket, må oversette de lagrede mønstrene til form av tilstandsverdiene til hver nevron når det nevrale nettverket er i en stabil tilstand; det vil si, generelt kan et stabilt punkt i det nevrale nettverket lagre et mønster, og bestemmelsen av verdien av det stabile punktet må settes i henhold til de nødvendige betingelsene som kreves av den assosiative minnene nevrale nettverksmodellen tatt i bruk i dette kapittelet, generelt ved å erstatte minnemønsteret i settet med differensialligninger til det nevrale nettverket, deretter liste opp den tilsvarende ulikheten basert på de nødvendige betingelsene ovenfor, og relatere denne ulikheten til systemet med differensialligninger koblet for å løse et spesifikt sett med løsninger og til slutt bestemme en mer passende vekt [2]. )Prosessen utføres også ved hjelp av spesifikke treningsalgoritmer (f.eks. gjennom selvtilbakemelding fra nettverket).

Siden de selvassosiative minneinngangs- og utgangsmønstrene er identiske, noe som betyr at begge har samme dimensjonalitet, er dette et kjennetegn ved selvassosiativt minne.

Under forholdene i en markedsøkonomi må foretak være klar over objektiviteten til finansielle risikoer, og foretak har i dag generelt en svak bevissthet om finansiell risiko, blind innsamling av midler, uforsiktig investering, utilstrekkelig system for finansiell risikostyring, og stats- eide foretak, som har svake punkter som ufullkommen finansiell risikovurderingsmekanisme og mangel på risikokontrolltiltak. )oss, å studere egenskapene til bedriftens økonomiske risikoer og iverksette visse tiltak for å forhindre og håndtere dem har blitt en viktig sak vi står overfor nå. Selv om den raske utviklingen av ulike bransjer også medfører mange risikoer, dukker industrien ofte opp i finanskrisen og fører til slutt til konkurs i bedrifter [3]. ) Bestemmelsen av stabilitetspunktverdien settes i henhold til de nødvendige betingelsene som kreves av den assosiative minnenevrale nettverksmodellen tatt i bruk i dette kapittelet, vanligvis ved å erstatte minnemodellen i settet med differensialligninger for det neurale nettverket og deretter liste opp de tilsvarende ulikhetene i henhold til de nødvendige betingelsene ovenfor. )is ulikhet kombineres deretter med settet med differensialligninger for å løse en serie spesifikke løsninger og til slutt bestemme en mer passende vektverdi. ) Derfor er den økonomiske risikostyringen til virksomheter svært viktig og kan avgjøre om virksomheten kan utvikle seg på en rask og forsvarlig måte.

De siste årene har forskere også økt sin forskning på finansiell risikostyring i virksomheter, men det er ennå ikke dannet et systematisk teoretisk system for studiet av virksomheters økonomiske risiko. Videre er fokuset for eksisterende forskning å analysere den økonomiske risikoen til foretak og komme med meninger om finansiell risikokontroll, og det er relativt få studier som analyserer trinnene i finansiell risikostyring av foretak, dvs. identifiserings-, evaluerings- og kontrollmidler av finansielle risikoer, i dybden. Basert på assosiativt minne nevrale nettverk, kombinerer dette papiret relevant teoretisk litteratur om finansiell risikokontroll for bedrifter med det spesifikke tilfellet av finansiell risikokontroll av Storm Group og forsker på identifisering, analyse og evaluering av finansiell risiko og kontroll av foretak, i håp om å spille en supplerende verifiseringsrolle til den nåværende teoretiske forskningen om finansiell risikokontroll i virksomheter.

2. Status for forskning

Kunstige nevrale nettverk har blitt studert intensivt de siste tiårene på grunn av deres brede anvendelse på mange felt som mønstergjenkjenning, assosiativt minne, signalbehandling og optimalisering. Noen applikasjoner, for eksempel de innen optimaliseringsteori, krever at nevrale nettverk bare har et enkelt stabilt punkt. Noen andre applikasjoner som assosiativt minne og mønstergjenkjenning krever imidlertid eksistensen av flere stabile likevekter i selve nevrale nettverket.

Multistabiliteten til to tilbakevendende nevrale nettverk med faseplan-opprinnelses symmetriske aktiveringsfunksjoner er studert i litteraturen [4]. Multippel μ-stabilitet av nevrale nettverk med ubegrensede tidsvarierende tidsforsinkelser er vurdert i litteraturen [5]. ) Multistabiliteten til tilbakevendende nevrale nettverk med ikke-monotoniske aktiveringsfunksjoner og ubegrensede tidsvarierende tidsforsinkelser er diskutert i litteraturen [6]. I litteraturen [7] diskuteres multistabiliteten til nevrale nettverk av fraksjonert orden i Mittag-Leffler-forstand med segmentelle konstante parametere. )e multistabilitet av en klasse Hopfield nevrale nettverk med stokastiske tidsforsinkelser ble studert i litteraturen [8] ved å anvende Schauders immobilitetspunktprinsipp og den relaterte stokastiske tidsforsinkelsesteorien, der det eksisterer 2n rektangulære invariante settregioner under visse forhold og kl. minst én av disse regionene har et likevektspunkt, og ved å foreslå to tilstrekkelige betingelser for å sikre at disse likevektspunktene er stabile.

En ny tilstand som er mindre restriktiv i forhold til Lipschitz-kontinuumtilstanden i aktiveringsfunksjoner med kompleks verdi er foreslått i litteraturen [9], og en serie kriterier presenteres for å garantere eksistensen, unikheten og numeriske eksempler på globale asymptotiske stabiliseringspunkter av komplekst verdsatte tilbakevendende nevrale nettverk. I litteraturen [10] analyseres stabiliteten til tilbakevendende nevrale nettverk med tidsvarierende tidsforsinkelser ved hjelp av FTM (Flexible Edge Method), og flere nye stabilitetskriterier er foreslått for å beskrive stabiliteten til dette nevrale nettverket ved å konstruere en ny type Lyapunov funksjon. I litteraturen [11] er en ny designidé for CVHAM-er (complex-valued multistate Hopfield associative memory) foreslått for å analysere stabiliteten til CVHAM-systemer ved å bruke energifunksjonsmetoden og til slutt oppnå at nettverket kan konvergere til et immobilt punkt for en vilkårlig inngangsverdi, og projeksjonsgeometrien til GPR (generalisert projeksjonsregel) diskuteres.

I følge litteraturen [12],Internett-bedrifter har de økonomiske egenskapene til "flytøkonomi"-modellen, aktiva-lys-driftsmodellen, kostnads- og kostnads-lys, rask produkterstatning og egenkapitalfinansiering. ) Den finansielle risikoen til internettforetak har både karakteristika av generelle virksomheter og dens spesielle egenskaper. Sammenlignet med de generelle foretakene er risikoen for kapitalmangel hos internettforetak den største. )e-litteraturen [13] introduserte EVA-verdsettingsmodellen for å utforske sammenhengen mellom finansiell risiko og virksomhetsverdien til Internett-bedrifter, brukte EVA-modellen og den tradisjonelle verdsettelsesmodellen for å vurdere selskapsverdien til case-selskapet NetEase, og konkluderte med at EVA verdsettelsesmodellen er mer nøyaktig. )e litteraturen [14] argumenterer for at internettbedrifter hovedsakelig har risiko i lønnsomhetsmodell, kontantstrøm, finansiering, investeringer og statlig regulering. Den foreslo også at internettbedrifter bør etablere en solid mekanisme for tidlig varsling av finansiell risiko, sette opp en profesjonell revisjonsinstitusjon og revisjonssystem, styrke det omfattende budsjettarbeidet, forbedre styringsmekanismen for kundefordringer og styrke finansierings- og investeringsrisikostyringen. )e litteraturen [15] argumenterer for at forsikringen om lønnsomhet for eiendeler og kontrolltiltakene som er foreslått for å forhindre uventede tap, oppnås gjennom risikostyring. Litteratur [16] hevder at bedrifter først bør etablere et forsvarlig internkontrollsystem når de tar forretningsbeslutninger, som til en viss grad kan unngå å lide økonomisk risiko og forårsake operasjonelle vanskeligheter ved finansiering av aktiviteter. Litteratur [17] studerer opprinnelsen til risikoen, og den økonomiske risikomekanismen for handling for å utforske, og mer målrettet risikoidentifikasjon, evaluering og kontroll, og eliminerer de skjulte økonomiske risikofaktorene.

3. En risikomodell for bedriftens økonomistyring basert på assosiativt minne nevrale nettverk

3.1. Assosiativ minneneural nettverksmodell. ) De grunnleggende trinnene i den gjeldende tilbakevendende nevrale nettverkstreningsalgoritmen er først å forhåndsbehandle prøvene som skal gjenkjennes for å oppnå numeriske funksjonsvektorer, legge inn disse vektorene sekvensielt inn i nettverket, og deretter sammenligne utdataene fra nettverket med den pågående utgangen med en forskjell , og bruk denne forskjellen som negativ tilbakemelding for å korrigere nettverksvektene. ) Fordelen med denne algoritmen er at den er enkel å betjene og opplæringsprosessen er uovervåket læring, mens ulempen også er tydelig ved at den må trenes på nytt hver gang et nytt prøvemønster huskes, noe som kan ta mer tid i tilfellet med større nettverksdimensjoner. )e nevrale nettverksmodellen bygges ved å justere vekten av nevronene etter at den mottar data, og inngangsvariablene til modellen kan endres i henhold til de faktiske behovene, for eksempel markedsfaktorer og økonomiske indikatorer. )e nevrale nettverksmodellen kan trenes automatisk til å filtrere de beste variablene og justere vektene i henhold til deres underforståtte forhold for å bygge en ikke-lineær modell og forbedre modellens nøyaktighet. )e treningsmetoden brukes til å korrigere nettverksvektene ved kontinuerlig å mate inn treningsprøver slik at prøvemønstrene som skal huskes er innebygd i nettverksvektene; dvs. nettverket "husker" prøvene. Det er mulig å bruke algebraiske metoder for å løse vektene direkte, fordi nettverket har et stort antall attraktorer og kan huske et stort antall prøver, ved å bruke prøvene som input, forutsatt at utgangen er den ønskede utgangen, som representerer både som vektorer, og erstatte dem i differensialligningene til systemet, bruke kunnskapen om lineær algebra for å løse et sett med vektnettverk, deretter bruke andre prøver for input, og til slutt løse det tilsvarende antallet analytiske løsninger. )e skjæringspunktet mellom disse analytiske løsningene er nettverket av vekter som skal bestemmes hvis disse løsningene ikke krysser hverandre. )no betyr det at minnekapasiteten til nettverket ikke er tilstrekkelig og en ny modell må redesignes for å sikre at den har tilstrekkelig minnekapasitet [18]. Deretter vil et eksempel på design av assosiativt minne bli gitt, som vist i figur 1 for et eksempel på assosiativ minneprosess.

hvor x∗ i xi∗ er det stabile likevektspunktet til systemet med det i-te settet med prøver som input, og denne verdien velges i henhold til forhold som formen på aktiveringsfunksjonen. En tilstrekkelig betingelse for at denne ligningen skal ha en løsning er at antallet stabile likevektspunkter i det nevrale nettverket er større enn eller lik antallet prøver som skal lagres av kravet; det vil si at antallet attraktorer skal være stort nok til å kunne huske et tilstrekkelig antall mønstre. )e ligningen kan løses ved å bruke singular verdidekomponering, løsningen av ligningen er også vektoren for forbindelsesvektene til nettverket, og disse vektene innebærer informasjon om mønstrene som skal huskes. ) Skjemaet ovenfor er generelt en selvassosiativ minnevektløsende prosess som kan brukes spesifikt innen feltene karaktergjenkjenning, ansiktsgjenkjenning osv.) Eksempler vil bli gitt for å illustrere utformingen og vektløsningsprosessen for tilbakevendende nevrale nettverk -baserte hetero-assosiative minneapplikasjoner. Tradisjonelle tegngjenkjenningsalgoritmer inkluderer malmatching og OCR [19]. For ubalanserte prøvedata kan du starte med nedsampling og oppsamplingmetoder. )e nedsamplingsmetoden, også kjent som den tilfeldige nedsamplingsmetoden, refererer til tilfeldig fjerning av dataklassen med flest kategorier ved hjelp av samplingsmetoden. ) Fordelen er at prøvetakingsmetoden kan forbedre modellnøyaktigheten når de slettede prøvene inneholder støyende data, og ulempen er at noen viktige prøver kan bli slettet. Oversamplingsmetoden refererer til å syntetisere en del av små prøvedata ved hjelp av en algoritme. Sammenlignet med disse tegngjenkjenningsalgoritmene, er det tilbakevendende nevrale nettverksbaserte assosiative minnet nevnt ovenfor preget av lave designkostnader, enkel behandlingslogikk, rask nettverkskonvergens, mindre avhengighet av ytre forhold og enkel praktisk implementering. ) Det viktigste poenget er at dette assosiative minnesystemet har god feiltoleranse; høy feiltoleranse betyr at når det er mer støy eller forstyrrelser i prøven, kan den også identifisere målmønsteret korrekt, så hvis denne assosiative minnemetoden brukes på bildegjenkjenning, selv om den nåværende applikasjonen er enkel og ideen er mer grunnleggende, etter litt utvikling tror jeg det vil være bruk for det. ) Designtrinnene for tilbakevendende nevrale nettverk for assosiativt minne er oppsummert som følger.

(1) Bestem modellkarakteristikkene til det nevrale nettverket som skal brukes

(2) Konverter mønstrene som skal huskes til vektorer som innganger til systemet så vel som utdata som skal erstattes i systemligningene

(3) )e løsningen til ligningssystemet oppnås ved passende valg av koordinater for likevektspunktet og ved entallsverdidekomponering

(4) Lagre løsningene av ligningssystemet som vektene til det nevrale nettverket

(5) Bygg et assosiativt minne nevralt nettverkssystem og utfør gjenkjennelsestester.

)en assosiativ minnebasert rekonfigurerbar amnestisk nettverkskrets består av fire deler: den assosiative minnebaserte amnestiske nettverkskretsen, PRMC med binære inngangssignaler, den synaptiske kretsblokken og kontrollkretsen. I den assosiative minnebaserte amnestiske nettverkskretsen indikerer de synaptiske vektene styrken til de synaptiske forbindelsene og dermed bare positive vekter. )e PRMC til det binære inngangssignalet kan bare trenes av algoritmen for å oppnå den tilsvarende funksjonen, så den synaptiske kretsen må representere negative vekter, nullvekter og positive vekter. I den assosiative minnebaserte rekonfigurerbare memetiske nevrale nettverkskretsen, bruker PRMC med binære inngangssignaler og den assosiative minnebaserte memetiske nevrale nettverkskretsen den samme synaptiske kretsen, og den synaptiske kretsen i den assosiative minnebaserte memetiske nevrale nettverkskretsen er begrenset til å variere innenfor de positive vektene av en kontrollkrets [20]. )e synaptiske kretser i den synaptiske kretsblokken er delt, og disse synaptiske kretsene kan brukes til å konstruere både PRMC-er med binære inngangssignaler og assosiative minnebaserte memetiske nevrale nettverkskretser. Som man kan se i figur 2, opererer de to undernettverkene uavhengig, slik at de kan arbeide parallelt.

Ved å simulere læring og glemsel i assosiativt minne, kan den rekonfigurerbare memristor-nevrale nettverkskretsen basert på assosiativt minne dynamisk endre kretsstrukturen for å oppnå rekonfigurering, tilsvarende følgende prosess: når det ubetingede stimulussignalet og det betingede stimulussignalet samtidig sendes inn til memristor nevrale nettverkskrets basert på assosiativ hukommelse, assosiativ læring mellom de to induseres, slik at den synaptiske vekten som tilsvarer den betingede stimulansen øker gradvis. Etter at læringsprosessen er over, hvis det betingede stimulussignalet holdes inn, induseres glemmeprosessen. Under glemsel avtar den synaptiske vekten som tilsvarer den betingede stimulus gradvis til den ikke klarer å aktivere den tilsvarende nevronkretsen. Etter slutten av glemmeprosessen aktiveres ikke kretsene til det assosiative minnebaserte amnestiske nettverket uavhengig av om det betingede stimulussignalet er input [21]. Deretter kan de synaptiske kretsene som tilsvarer den betingede stimulusen kobles fra de nevronale kretsene, og disse synaptiske kretsene kan mates inn i den synaptiske kretsblokken. )e synaptiske kretser i den synaptiske kretsblokken kan brukes til å konstruere enten PRMC eller assosiative minnebaserte amnestiske nettverkskretser med binære inngangssignaler. På denne måten oppnås kretsrekonfigurering.

4. En assosiativt minne nevralt nettverksbasert risikoprediksjonsmodell for bedriftens økonomistyring

Finansiell risiko er en type forretningsrisiko som eksisterer i finansielle aktiviteter som å skaffe, investere, bruke, gjenopprette og tildele aktiviteter av midler i prosessen med sosial reproduksjon. Og risikoen er forventningsavviket fra virkeligheten. ) Det er et skille mellom finansiell risiko i snever og vid forstand. Finansiell risiko i snever forstand refererer til den finansielle risikoen som oppstår fra gjeldsoperasjonen i ferd med å skaffe midler til foretaket. Finansiell risiko i vid forstand refererer til usikkerheten ved å oppnå de forventede økonomiske resultatene i prosessen med å drive foretakets finansielle aktiviteter. ) Derfor eksisterer finansiell risiko i enhver virksomhet og virksomhetens virksomhet og har en betydelig innvirkning på resultatsituasjonen og forretningsforholdene til virksomheten. Finansiell risikostyring er forebygging, kontroll og styring av risiko i virksomhetens økonomistyring og er også en del av omfattende virksomhetsrisikostyring [22]. Intern diagnose er en måte for virksomheten selv å finne ut ulike problemer i forretningsprosessen gjennom selvanalyse og til slutt løse dem målrettet. Ekstern diagnose innebærer at virksomheten ansetter en ekstern tredjepartsorganisasjon for å analysere den økonomiske driften av virksomheten. Som en ny ledelsesvitenskapsteori er det en ledelsesteori hovedsakelig utviklet av forskere i henhold til tidligere erfaring innen risikostyring og økonomisk styring for alle typer risikoer i driften av virksomheter. Finansiell risikostyring inkluderer risikoidentifikasjon, vurdering, analyse av årsaker og kontroll av ulike finansielle aktiviteter i foretaket. For å sikre normal drift og kapitalbevegelse til foretaket og for å unngå negativ innvirkning på foretakets økonomiske interesser, inkluderer styringsprosessen for finansiell risikostyring risikoidentifikasjon, vurdering, analyse av årsaker og kontroll av ulike finansielle aktiviteter i foretaket, og rettidige og effektive forebyggings- og kontrolltiltak basert på dens rolle som tidlig varsling.

) De mest brukte metodene for finansiell risikoevaluering inkluderer hierarkisk analyse, effektivitetsfaktormetode og faktoranalyse. ) Grunnprinsippet for faktoranalyse er å gruppere indikatorer med sterk relevans i én kategori og erstatte hver kategori med en faktor, og dermed erstatte alle de opprinnelige indikatorene med noen få faktorer.

I denne artikkelen er analysen av risikoprediksjon for bedriftens økonomistyring utført ved å kombinere den assosiative minnenevrale nettverksmodellen med faktoranalyse. Faktoranalyse velges av følgende grunner: For det første kan faktoranalyse redusere antall opprinnelige variabler, ved å trekke ut og navngi hovedfaktorene i stedet for det store flertallet av den opprinnelige informasjonen; for det andre kan utvalget rangeres og sammenlignes. I henhold til poengsummen til hver hovedfaktor og den omfattende poengsummen, kan utvalget rangeres, som ikke bare viser rangeringen av individuelle faktorer og tydeliggjør hvilke faktorer som har større innvirkning på den økonomiske situasjonen til foretaket, men også analyserer den omfattende rangeringen av faktorene etter vekting, som er gunstig for virksomheten for å klargjøre dens styrker og svakheter [23].

(6) Et assosiativt minne nevralt nettverk er bygget basert på en beslutningstremodell ved bruk av en histogramalgoritme som gjør det lettere å segregere dataene. ) En forskjell fra tidligere beslutningstremodeller er at det assosiative minnet nevrale nettverket er orientert vertikalt, dvs. genererer bladene til beslutningstreet, mens andre beslutningstremodeller genererer nivåene til treet, så den assosiative minnet Emory ral nettverksalgoritmen kjører raskere og lagrer færre data. Hovedfunksjonen er å krysse hele treningssettet og å gjøre attributtene diskrete for kontinuerlige variabler med flytende komma; disse k diskrete dataene er konstruert til et histogram med en spesifikk bredde på k. )e antall diskrete verdier konvergert innenfor hvert histogram beregnes. Siden det er mange komponenter av finansiell risiko, vil ulike faktorer og finansielle indikatorer samhandle med hverandre for å danne et komplekst forhold. I denne artikkelen trekkes relevante indikatorer ut, faktorer trekkes ut ved signifikanstest, og faktorer som er egnet for modellbygging er hentet ved sfærisitetstest, hovedkomponentutvinning og andre trinn.

Basert på de oppnådde faktorene, brukes den logistiske modellen for trinnvis regresjon for å modellere den økonomiske tidlige varslingen. ) Modelleringsprosessen analyserer gradvis faktorene for risikosammensetning, og bruker modellens fordeler for å gi et mer intuitivt grunnlag for fremtidig beslutningstaking av ledere. )e utvalgte tidlige varslingsindikatorer bør være omfattende; dvs. at indikatorer bør velges fra de tradisjonelle aspektene av soliditet, lønnsomhet, utviklingsevne og driftsevne, og indikatorer bør velges fra aspektene ved forsknings- og utviklingsevne som reflekterer bransjens egenskaper, noe som gjør utvalget av indikatorer valgt for kommunikasjonsutstyr produksjonsindustrien mer omfattende. )e selskapet investerer kapital i produksjon av produkter og gjenvinner kapital og fortjeneste gjennom salg av produktene. Lageromsetningen kan bare økes hvis salget lykkes og varelageret tømmes raskt, så lageromsetningen indikerer hvor raskt penger kan gjenvinnes fra salg av varer. Generelt kan et selskap forbedre sin likviditet ved å øke lageromsetningen. )e lageromsetningsforhold indikerer lagernivået, mens gjeldende eiendelsomsetningsforhold reflekterer hastigheten på omsetningen av omløpsmidler, som er den mest likvide av alle eiendelene til et selskap. Et lavere nivå av omsetning av omløpsmidler kan ha større innvirkning på et firmas kortsiktige tilbakebetalingsevne. ) Jo høyere omløpsgraden er, desto lavere er den relative finansielle likviditetsrisikoen. En langsom omsetningshastighet vil kreve supplerende likviditet for å delta i omsetningen, noe som vil skape sløsing med midler og redusere lønnsomheten til foretaket. Basert på teorien ovenfor, i den påfølgende klassifiseringen, kan det optimale avskjæringspunktet bare finnes i henhold til histogrammets bredde. ) Ideen til histogramalgoritmen gjenspeiles hovedsakelig i konverteringen av flyttallsdata til binære data, og den spesifikke operasjonen er å bestemme antall bøtter som er i hver funksjon, oppdatere dataene til hver bøtte separat etter lik deling, og erstatte funksjonene til risikoprediksjon for bedriftsøkonomi med den assosiative minnenevrale nettverksmodellen, som er representert grafisk som vist i figur 3.

3. Sammenlignet med andre modeller bygget på beslutningstrealgoritmer, er assosiativt minne nevrale nettverk raskere, hovedsakelig når det gjelder løpehastighet, mens de bruker mindre minne, og nøyaktigheten er ikke kompromittert, og kombinerer perfekt både fisk og bjørnepote. Med ønsket om å gå til neste nivå, kan modellen optimaliseres på følgende to måter: for å øke hastigheten, kan originalen enkelt behandles; redusere antall funksjoner og data, konvertere funksjonsvariabler til kategorifunksjoner, eller lagre datafilene som binære filer, endring av treningsmetoden til modellen til parallell kan også øke hastigheten på modellen; for å forbedre nøyaktigheten til modellen og redusere modellens læringshastighet, med utgangspunkt i modellen, maskejustering av modellens parametere, velge den beste kombinasjonen av parametere, øke læringstiden til modellen og gjøre modellen bedre til å forstå lovene mellom dataene kan forbedre nøyaktigheten til modellen. Å starte med dataene, øke antall treningsdata og forhåndsbehandle dataene for å løse de manglende verdiene og ubalansen i de originale dataene kan også trene modellen bedre og forbedre ytelsen til modellen.

4.1. Eksperimentell verifisering og konklusjoner

)e CART-beslutningstremodellen med design for forhåndsbeskjæring og etterbeskjæring vil bli trent, og beslutningstregrafen og grafen for variabel betydning vil bli generert etter modelltreningen for å bedre tolke CART-beslutningstremodellens diskriminerende resultater. For det første konstrueres de diskriminerende resultatene og regelsettet for den overordnede finansielle risikovurderingsmodellen til foretaket. Fordi det er for mange verdier av vurderingsfunksjoner i den overordnede finansielle risikovurderingen av foretaket, tar grafen for variabel betydning i den overordnede finansielle risikovurderingen av foretaket de 5 viktigste viktige variablene, og foretakets generelle finansielle risikovurderingsmodell genererer grafen for variabel betydning som vist i figur 4.

Som det fremgår av figur 4, blant de 18 kjennetegnene til CART-beslutningstremodellen, "rente opptjent multiple", "total eiendeler avkastning", "kundefordringer omsetning", "total eiendeler omsetning" og "vektet avkastning på netto eiendeler " rangerte de fem beste i viktighet, med "interest earned multiple" som den viktigste indikatoren med viktigheten over 0.5. Driftskapasitet gjenspeiler effektiviteten og effektiviteten til en virksomhets kapitaldrift med ulike eiendeler, og omsetningseffektiviteten til ulike typer eiendeler brukes vanligvis til å bestemme driftsnivået til en virksomhet. vurdere den samlede økonomiske risikoen, og summen av de fem beste viktighetsskårene overstiger 90 %; derfor indikerer det også at børsnoterte selskaper bør fokusere på disse fem indekskarakteristikkene i prosessen med å vurdere foretakenes samlede finansielle risiko. ) Tolkningen av regelsettet generert av beslutningstremodellen vil gi kvantitative bevis for at det børsnoterte selskapet kan vurdere den samlede økonomiske risikoen til selskapet, noe som vil hjelpe det børsnoterte selskapet å måle om det har en samlet finansiell risiko.

) The importance of the variables generated by the enterprise operational risk assessment model is shown in Figure 5. As can be seen from Figure 5, the importance of the six characteristics of the CART decision tree model is the same, with the importance of "operating profit margin" becoming the most important assessment indicator. Therefore, the model results indicate that listed companies should focus on these 6 indicators in the process of enterprise business risk assessment. Rule 1: When the "operating profit margin" is ≤−6.151, the enterprise has business risks. Rule 2: When "operating profit margin" >−6.151 and "accounts receivable turnover ratio" >3.203, the company does not have financial risk. Rule 3: When "operating profit margin" >−6.151, "accounts receivable turnover" ≤3.203, and "cost margin" ≤7.552, the enterprise, there is financial risk. Rule 4: When "operating profit margin" >−6.151, "accounts receivable turnover" ≤3.203, and "cost margin" >7.552, foretaket har ikke økonomisk risiko. )e tolkningen av regelsettet generert av beslutningstremodellen vil gi det børsnoterte selskapet kvantitativt bevis for å vurdere graden av forretningsrisikoen til selskapet, noe som vil hjelpe det børsnoterte selskapet å måle om det har forretningsrisiko.

)e importance diagram of the variables generated by the enterprise financing risk assessment model is shown in Figure 6. For the decision result of the CART decision tree model, among the three characteristics of financing risk, the importance of "interest multiples earned" becomes the most important evaluation indicator, and the importance score of its indicator is close to 0.8. Therefore, the model results indicate that listed companies should focus on the following characteristics in the process of enterprise financing risk evaluation. )e year-over-year revenue growth rate, net asset per share growth rate, and total asset growth rate are important indicators of a company's growth ability. )e model results suggest that listed companies should focus on the indicator characteristic of "interest multiples earned" in the process of corporate financing risk assessment. )e set of rules for the determination of the CART decision tree for corporate financing risk is as follows. Rule 1: When the "interest earned multiple" is ≤1.249, the enterprise has financing risk. Rule 2: When the interest earned multiple is >1.249, firmaet er ikke i faresonen. ) Tolkningen av regelsettet generert av beslutningstremodellen vil gi det børsnoterte selskapet kvantitativt bevis for å vurdere nivået på finansieringsrisikoen til selskapet, noe som vil hjelpe det børsnoterte selskapet å måle om det har finansieringsrisiko.

Fra figur 7 kan man se at denne artikkelens modell basert på et assosiativt minne nevralt nettverk oppnår 83 % nøyaktighet for den diskriminerende effekten av treningssettet og 76 % nøyaktighet for valideringssettet, som er et bedre resultat. Samtidig kombinerte denne artikkelen GBDT-modellen med den logistiske regresjonsmodellen for den kombinerte prediksjonen, og prediksjonsresultatene viste at den kombinerte modellen forbedret prediksjonsnøyaktigheten til treningssettet til 91 % og valideringen satt til 78 %, i når det gjelder både nøyaktighet og stabilitet; den kombinerte modellens advarselseffekt er mer signifikant sammenlignet med enkeltmodellen, så den beviser gjennomførbarheten til den kombinerte modellen. Sammenlignet med enkeltmodellen logistisk regresjonsmodell, er ROC-kurven til den assosiative minnene nevrale nettverksmodellen regresjonsmodell for finansiell risikoadvarsel nærmere den øvre venstre aksen, og dens AUC-verdi er 0.79, som er betydelig høyere enn den logistiske regresjonsmodellens AUC-verdi på 0.60. ) Fordelene med den assosiative minnenevrale nettverks finansiell risikoadvarselsmodell kan sees direkte fra ROC-kurven og AUC-verdien. Fra eksperimentet kan det konkluderes med at GBDT for funksjonskombinasjon bedre kan utvinne informasjonen i finansdataene til børsnoterte selskaper, og logistikkmodellen har en rask prosesseringshastighet, som kan løse problemet med lav prosesseringshastighet som GBDT ikke kan behandles parallelt, og modellen smeltet sammen med GBDT og logistikkmodell kan effektivt brukes innen finansiell risiko tidlig varsling av børsnoterte selskaper for modellering.

Den) e-læringshastigheten er hastigheten som inngangsvariablene oppdateres med ved hver iterasjon under trening og bestemmer hvor langt vektene må bevege seg i retning av gradienten i en liten batch, gjennom mange iterasjoner, for til slutt å bevege seg til en posisjon som samsvarer med treningsnøyaktigheten til nettverket. ) Prosessen med å lære funksjonene til et prøvedatasett av et assosiativt minne nevralt nettverk er prosessen med å konstant iterere fremover. En lavere læringsrate gjør treningsprosessen mer pålitelig, men optimalisering vil ta lengre tid. Høyere læringsrater, på den annen side, fører til ikke-konvergens av trening og kan forårsake svært store vektendringer, noe som gjør tapsfunksjonen svært dårlig. Optimalisering av hastigheten på matrisemultiplikasjon og forbedring av minneutnyttelsen kan oppnås ved å øke antall batcher i en bestemt region, noe som reduserer antall oppdateringer som trengs for å fullføre opplæringen av hele datasettet og øker prosessen noe for data av samme kapasitet. Stokastisk gradientnedstigning oppdaterer bare én prøve e-informasjon om gangen, noe som øker hastigheten på treningen, men fordi bare én prøve brukes om gangen, representerer den ikke hele treningsutvalget, noe som gjør det vanskeligere å konvergere treningsresultatene til noen minimumsverdi. For at et selskap skal oppnå bærekraftig utvikling, må det legge stor vekt på sine FoU- og innovasjonsevner. Bare gjennom kontinuerlig innovasjon og kontinuerlige oppfinnelser kan en bedrift få et konkurransefortrinn. Med utviklingen av dyp læring ble det vist at treningsresultatene kunne konverteres til et lokalt minimum ved sakte å redusere læringsraten. Etter å ha justert parametrene flere ganger, ble de forventede treningsresultatene endelig oppnådd, og den gjennomsnittlige absolutte feilen til modellen på prøvene under trening konvergerte til slutt. )e tapskurver for prøvedatasettet er vist i figur 8.)e blå linje i figuren representerer treningssettets tapskurve og den oransje linjen representerer testsettetstapskurven; den horisontale aksen viser antall iterasjoner av prøvene i treningsprosessen, og den vertikale aksen viser endringen av den gjennomsnittlige feilverdien under treningsprosessen.

I henhold til parametrene som er angitt i denne artikkelen, kan Spyder-vinduet vise tap av trening og testprøver i hver iterasjon og beregne rotmiddelkvadratfeilen til modellen ved slutten av treningen. Under treningsprosessen, jo flere iterasjoner, desto mindre er prøvetakingsfeilen, med lokale svingninger i et lite område. I begynnelsen av treningen faller feilen raskt, og i treningsintervallet fra 10 til 50 iterasjoner faller feilen raskt, noe som indikerer at modellen finjusteres lokalt, Fra 100 treningsiterasjoner og utover, feilen faller mer forsiktig, noe som indikerer at modellen har konvergert til en optimal prosess. )e trenden for tapskurven til treningsprøven og tapsendring av testprøven er integrert, og feilen til treningsprøven konvergerer til slutt med en bedre tilpasning; feilen til testprøven konvergerer til et lokalt minimum, og dens tilpasning er ikke like god som treningsprøven, men effekten av å bruke gradientnedstigning for optimalisering er åpenbar og vil ikke påvirke ytelsen til hele modellen.

Basert på den assosiative minnenevrale nettverksmodellen, etableres indikatorsystemet for tidlig varsling som kan gjenspeile risikokarakteristikkene til børsnoterte landbruksselskaper ved å kombinere risikokarakteristikkene til selskapet og årsakene til dets generering: det inneholder finansielle og ikke-finansielle indikatorer som dekker solvens , driftskapasitet, utviklingskapasitet, lønnsomhet og andre kapasitetsindikatorer. For å forbedre konvergenshastigheten og stabiliteten til modellen, brukes SPSS-programvare til å utføre faktoranalyse på dataene til de primære utvalgte indikatorene og beregne faktorskårene til prøvene som inputlagdata for modellen. På denne måten bestemmes nøyaktigheten av finanskrisemodellen videre og en del av utvalget velges ut for å teste modellen. Til slutt brukes modellen på selve selskapet for å identifisere sine problemer og optimalisere dem for å redusere muligheten for finanskrise.

5. Konklusjon

Assosiativt minne nevrale nettverksmodeller er generelt konstruert basert på data om egenskapene til den aktuelle industrien for å gi spådommer om ulike aspekter av etterspørselspunkter. Forutsigelser av assosiativt minne nevrale nettverksmodeller er ikke bare begrenset til dagliglivets preferanser, mat, klær, bolig osv., men er nå også nesten gjennomsyret i finansnæringens utvikling, finansprognoser osv. I denne artikkelen, ved å analysere den påfølgende utviklingsevnen i sammen med bransjekarakteristika og konkurranselandskapet til selskapet, er det funnet at modellen kan gjenspeile selskapets situasjon godt gjennom tidlige varslingsindikatorer og gi en referanse for den fremtidige utviklingen av selskapet. Hvis bare datamodelltilpasningen av finansielle indikatorer introduseres, vil den være for enkel og vil ikke være i stand til å bedømme finanssituasjonen fullstendig. I studien ble det funnet at antallet prøver i kategorien høy finansiell risiko var for lite sammenlignet med utvalgene i kategoriene lav og middels finansiell risiko, og hvis prøvedataene ikke var balansert, kan det føre til tidlig advarsel modell som ikke lærte egenskapene til prøvene i kategorien høy finansiell risiko under trening, noe som til slutt førte til lav prediksjonsnøyaktighet for prøvene i denne kategorien.

Siden faktorer som selskapssammensetning og egenkapital også kan ha en viktig innvirkning på finans, legger denne artikkelen ikke-finansielle indikatorer til for å forbedre generaliserbarheten og nøyaktigheten til modellen. I dag er bedrifter i et stadig mer komplekst markedsmiljø og sosiale aktiviteter, og big data-simulering ved å kvantifisere relevante indikatorer for selskaper i bransjen kan gjenspeile den nåværende situasjonen i bransjen omfattende og omfattende, og en rimelig inkludering av bransjespesifikke indikatorer kan også forbedre effektiviteten til modellen for tidlig varsling. Ved å kombinere selskapsindikatorene og den etablerte tidlige varslingsmodellen, brukes hovedkomponentene som kan identifiseres av modellen til å analysere situasjonen der selskapets risiko oppstår, samtidig som det gis meninger som inkorporerer detaljene til selskap B. Bruk av denne økonomiske tidlige advarselen modell, kan man justere selskapsstrukturen, gjøre strategisk planlegging og kriseforebygging på forhånd for det skiftende markedet, organisere opplæring for tidlig varslingstalenter, styrke kommunikasjonen mellom finansielle tidligvarslingstalenter, og sikre en fornuftig aksjestruktur for å unngå at én aksje blir dominerende; for det andre kan man forbedre informasjonskonstruksjonen i det økonomiske systemet og etablere et sett av det økonomiske systemet som gjelder for selskapet på dette grunnlaget. Samtidig bør vi rette oss etter markedets valg, og utviklingen av diversifiserte markeder kan sikre deres konkurranse og samtidig fokusere på produktkvalitet.

Referanser

[1] MA Fern 'Mendez-G' Gamez, JAC Soria, JAC Santos og 'D. Alaminos, "European country heterogeneity in financial distress prediction: an Empirical analysis with macroeconomic and regulatory factors," Economic Modelling, vol. 88, s. 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr og M. El Bannany, "A multi-layer perceptron approach to financial distress prediction with genetisk algoritme," Automatic Control and Computer Sciences, vol. 54, nei. 6, s. 475–482, 2020.

[3] X. Yan, W. Weihan og M. Chang, "Research on financial assets transaksjonsprediksjonsmodell basert på LSTM nevrale nettverk," Neural Computing and Applications, vol. 33, nei. 1, s. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko og H. Katagiri, "Konkursprediksjon for japanske selskaper som bruker støttevektormaskin, kunstig nevrale nettverk og multivariat diskriminantanalyse," International Journal of Industrial Engineering, vol. 1, nei. 1, s. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu og W. Ai, "Klasse-ubalansert dynamisk økonomisk nødprediksjon basert på adaboost-SVM-ensemble kombinert med SMOTE og tidsvekting," Information Fusion, vol. . 54, s. 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li og K. Li, "Bank telemarketing prognosemodell basert på t-SNE-SVM," Journal of Service Science and Management, vol. 13, nei. 3, s. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan og O. Escobar, "Kunstig intelligens og forretningsmodeller i bærekraftig utviklingsmåls perspektiv: en systematisk litteraturgjennomgang," Journal of Business Research, vol. 121, s. 283–314, 2020.

[8] PK Mitra og C. Banga, "Predicting Indian basket crude prices through machine learning models comparative approach," International Journal of Business Forecasting and Marketing Intelligence, vol. 5, nei. 3, s. 249–266, 2019.

[9] G. Kumar, S. Jain og UP Singh, "Aksjemarkedsforecasting using computational intelligence: a survey," Archives of Computational Methods in Engineering, vol. 28, nei. 3, s. 1069–1101, 2021.

[10] K. Lu, Y. Lyu, X. Li og Y. Zhang, "En ny metode for å evaluere informasjonssystemveksten til SMB basert på forbedret BP nevrale nettverk," Information Systems and E-Business Management, vol. 18, nei. 4, s. 779–792, 2020.

[11] BS Kumar, V. Ravi og R. Miglani, "Predicting Indian stock market using the psycho-lingvistic features of financial news," Annals of Data Science, vol. 8, nei. 3, s. 517–558, 2021.

[12] S.-J. Lin, "Integrert kunstig intelligens og visualiseringsteknikk for forbedret ledelsesbeslutning i dagens turbulente forretningsmiljøer," Cybernetics and Systems, vol. 52, nei. 4, s. 274–292, 2021.

For more information:1950477648nn@gmail.com