基于神经网络的高校学生信用评价模糊模型研究

"该硕士学位论文主要探讨了一种基于神经网络的信用评价模型与算法在处理复杂对象，特别是针对国家助学贷款的高校学生信用评价问题上的应用。作者陈静在导师熊庆宇的指导下，深入研究了复杂对象综合评价的理论和方法，分析了现有评价体系存在的问题，并结合神经网络和模糊系统的特点，提出了一种模糊评价神经网络模型，以解决信用评价中的模糊性问题。 论文首先介绍了复杂对象综合评价的相关理论，包括神经网络评价方法和模糊系统的理论基础。接着，对比分析了神经网络和模糊系统的特性，指出它们在处理不确定性和模糊性方面的优势。在此基础上，构建了一个模糊评价神经网络模型，该模型将模糊综合评价的理论融入神经网络框架中，使得网络的节点和参数具有明确的物理含义，增强了模型的解释性和可操作性。 在模型构建过程中，论文详细讨论了模型的结构、算法设计，以及如何确定隶属函数、建立权重和选择模糊合成算子等关键步骤。通过神经网络的学习过程，模型能够自动抽取模糊信息处理所需的隶属函数和权重，同时利用改进的层次分析法确定网络的初始权重，以提高学习算法的收敛速度。 论文将提出的模糊评价神经网络模型应用于国家助学贷款的高校学生信用评价，研究了评价指标的选择和评价指标体系的建立，确定了相应的网络结构，并采用等分区间法建立隶属函数。通过MATLAB 7.1进行仿真试验，验证了模型的有效性和实用性。此外，还在MATLAB环境下开发了专门的信用评价软件，实现了模型的实际应用。 这项研究为国家助学贷款的决策提供了科学依据，同时也为其他领域的复杂对象综合评价问题提供了一种新的解决思路。关键词涵盖了模糊评价神经网络、神经网络、模糊综合评价、国家助学贷款和高校学生信用评价等领域。"