商业银行财务会计中改进的BP神经网络模型的应用

智能系统与应用16（2022）200155改进的BP神经网络模型在银行中的应用财务会计严佳丽重庆城市职业学院商学院，重庆402160A R T I C L EI N FO关键词：因子分析BP前馈网络L2范数正规化财务会计A B S T R A C T本研究以商业银行所面对的既市场化又社会化的企业集团为研究对象，根据其日常财务核算的特殊性，构建了评价模型。该模型可以结合商业银行的财务特征对财务会计绩效进行分析。本研究将提出一种引入相关因子分析的BPNN模型，根据指标设计原则选择合理的指标，将因子分析引入BPNN模型，并利用L2范数对模型进行优化。最后，调整模型训练样本的学习率，使其根据迭代次数的增加而动态变化。模型在训练过程中的均方误差模型的预测值曲线与期望值曲线几乎重合，模型预测结果的总误差和为0. 003796，具有较高的精度和较好的泛化能力。分析了四种模型的精度。本研究提出的模型的准确率达到95.6%，其他三个模型的准确率分别为83.1%，86.8%和91.2%。结果表明，该模型在商业银行财务核算中具有较高的准确性、可靠性和有效性，减少了商业银行财务核算中的损失，为财务核算的监控提供了技术基础并在实践中引入相关因素分析，为BPNN模型的应用提供理论指导和支持1. 介绍如今，大数据和人工智能技术正在迅速发展，并广泛应用于各个领 域 ， 其 中 BP 神 经 网 络 （ Back Propagation Neural Network ，BPNN）是最常见和最广泛的神经网络（Zhao et al.，2022年）。BPNN具有结构简单、工作状态稳定、易于硬件实现等优点，广泛应用于模式识别与分类、故障智能诊断、图像处理、系统仿真等领域（Xu et al.， 2019年）。BPNN应用于非线性传递函数的三层前馈网络，可以逼近任意精度的非线性函数（Yang&Li，2018）。但在应用中也存在一些固有的弊端，如收敛速度慢、容错性差，而且对隐层层数和单元数的选择没有理论指导，通常凭经验确定（Zhang et al.2019年）。本文研究了商业银行的市场和社会所面临的特殊市场环境。针对其财务核算难的问题，客观评价的基础上，引入相关因子分析，提出了一种BPNN模型，并对其L2范数进行优化，在训练过程中调整学习率，用于商业银行财务会计评价的研究。该模型能有效提高商业银行财务会计系统在经营过程中的可靠性和准确性，降低发生财务风险的可能性。这种由人工智能算法标准化的财务处理方式，可以帮助银行从自身所处的市场环境出发，提高自身经营的可靠性，从而促进银行的市场竞争力，为拓展业务范围奠定基础2. 相关工作BPNN经常出现在很多领域，而银行的绩效是人们日常经济活动的重要组成部分，在财务绩效方面已经引起了众多研究者的关注。Jiang等人构建了神经网络与进化算法相结合的模型，并基于电子邮件地址：jiali_yan1013@163.com。https://doi.org/10.1016/j.iswa.2022.200155接收日期：2022年10月12日;接收日期：2022年11月11日;接受日期：2022年11月21日2022年11月24日网上发售2667-3053/© 2022作者。由Elsevier Ltd.发布。这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表智能系统及其应用杂志主页：www.journals.elsevier.com/intelligent-systems-with-applicationsJ. 严智能系统与应用16（2022）2001552{∑=+传递函数，研究人员通过遗传分类算法对最优模型进行训练，最终得到一个能够科学、准确地获得电网投资风险评估结果，提高电网投资风险评估容错能力的模型（Jiang et al.，2019年）。Chang等构思了一种基于思维进化算法（MEA）算法（MEA）优化的BPNN策略，分别以焊接数据和熔池数据作为输入参数和输出参数，实验仿真结果表明，优化后的模型预测效果更好，误差区间更小，总体上能满足实际预测要求（Chang et al.，2020年）。Agushaka JO团队提出了一种瞪羚优化算法，作为一种优化工具，该算法已被证明是稳健高效的，在同类算法中具有较强的竞争力（Agushaka et al.，2022年）。Akinola O A团队提出了一种侏儒猫鼬优化算法，该算法在高纬度医学数据集的测试中已经表现出了较好的性能和鲁棒性，在特殊量的选取上具有独特的优势（Akinola et al. 2022年）。Huang等人在改进粒子群算法的基础上提出了一种BP神经网络预测空气质量指数的策略，改进算法优化了惯性权值和学习因子的变化策略，保证了全局搜索能力，并在预测的前期操作，它可以快速收敛到最优解。和采用自适应算法进行搜索，保证了避免局部最优解的能力（Huang etal.， 2020年）。Jing等人采用FAHP评价和BP网络方法构建了技术标准联盟风险评估模型，对两种评价模型进行了对比分析，并通过对比试验的结果分析了其在实践中的应用（Jing等人2018年）。徐 从影响因素的角度提出了变电站投资预测模型。该模型以麻雀算法为主要优化工具，提高了模型主体BP神经网络的预测效果和预测速度。最后对研究进行了验证，结论是该方法更加高效、高质量（Xu et al. 2021年）。Zhang提出了一种基于BPNN算法的产量预测模型，该模型可以有效地限制模型的神经元维数，进而优化参数。结果表明，该模型比传统BPNN具有更小的均方根误差，比传统BPNN具有更高的学习效率，并且有利于构建大量数据，缩短建 模时间，获 得良好的预 测结果（Zhang，2019）。 SwamySarojamma（2020）&使用DBN模型和神经网络分类器首先提取统计特征从银行交易数据，然后提取的数据进行建模更有利于商业银行财务核算的稳定性和准确性，为银行提供现代化的智能化财务处理系统。3. 改进BP神经网络模型在商业银行财务核算中3.1. 基于因子分析的BP网络优化本文以上市商业银行为主要研究对象。在商业银行日常财务会计业绩评价中，主观评价因素过多， 传统的方式，不能有效地形成财务会计监督和纠正。因此，选择BP神经网络作为基本评价模型，通过反复训练，避免主观因素，达到客观评价。研究技术流程如图所示。1.一、作为一种前馈网络结构，BPNN具有简单可靠的误差传播结点，它基本上由三个主要层次组成，即数据输入层、数据操作层和数据输出层，它们之间通过互联连接，同层的单元之间互不相连。BPNN最大的特点是具有学习和训练功能。它的学习过程包括四个部分。首先，隐层对从输入层接收到的信息进行处理，然后将处理后的信息传递到输出层;然后，如果期望值与实际值之间的误差区间过大，超出了标准范围，隐层将逐层修正连接权值，直到其误差满足要求的条件。然后重复前两个步骤;最后，将总误差减小到最小值（Ren等人，2020年）。BPNN的拓扑结构如图所示。 二、在图2中，X1，X2，Xn是输入模型的值，Y1，Y2，Ym是模型预测值，Wji和Vjk为其网络权值。BPNN本质上是一个非线性函数，反映了n个节点输入m个节点输出时因变量与自变量相互映射结构中的函数关联模式。初始化网络的相关参数，并根据相应的初始值分配网络权重Wji和Vjk的初始值响应函数，然后选择模式作为网络输出信号A k=（a1，a2，b k，am），B k=（b1，b2 ，b k，b p）以提供网络学习（Zhao et al.，2018年）。用于计算隐藏层的结果表达式的公式在等式中示出。（一）.使用组合的DBN和NN模型，模型的最终输出是网络的平均结果Dastranj等研究者提出了一种灵活的绩效评价模型，以解决组织内部和外部动态条件下绩效评价模型的局限性，首先形成与银行活动相关的标准数据库研究表明，该模型能够准确评价企业绩效，实现评价过程的可控性（Dastranj et al.， 2019年）。通过研究人员对神经网络与银行绩效和财务评价的研究，可以了解到BPNN在很多领域得到了广泛的应用和优化应用，相关研究人员建立了商业银行金融交易数据的模型。本研究同样以商业银行为研究对象，但重点是商业银行的日常财务核算。由于商业银行具有社会性和市场性的双重特征，很难对其财务会计进行有效、客观的定量评价。为此，本文将引入相关因子分析的BP神经网络模型应用于商业银行财务会计，将因子分析引入BPNN模型，并利用L2范数对模型进行优化，使模型UjWji IiθjH j=f.Uj）Fig. 1. 技术流程。（一）J. 严智能系统与应用16（2022）2001553K{∑∑.）. ）/。）∑̅̅̅̅̅̅̅̅̅̅Wji=Wji+ασjIiθj=θj+βσj（七）图二、 BP神经网络的拓扑结构。在公式（1）中，θj表示阈值，I i表示神经元的数量，等式（2）中的f表示神经元的数量。(1)表示Sigmoid函数为：H j = f U j =1个1+e（-u）（2）神经元输出的结果表达式的计算公式可以具体表示为：Sk=Vkj Hj+rk（3）Ok=f（Sk）在Eq. (3)代表阈值。输出过程中单位神经元误差的计算方法如下：δ1=（Tk-Ok）Ok（1-Ok）（4）由方程式(4)T k表示期望值。计算隐层神经元的误差δj，如等式2中所计算。（五）δj=δk Vkj Hj1-Hj（5）校正输出层神经元的权重V kj和阈值r k，如等式2所示。（六）在方程式中，(6)（7）α和β为网平差参数，取值范围为1。在依次输入每个学习样本作为一轮网络的输入信号之后，计算所有样本的误差和ε，如等式（1）所示。（八）、ε=（Ok-Tk）2（8）当ε值小于一个固定的误差范围时，学习过程终止，否则重新学习和训练网络该网络使用一定数量的已知样本进行训练，并且在将其用作评估模型之前满足这一先决条件。BPNN的算法示意性地示于图1中。3.第三章。本文选取了一个结构相对简单的三层BP神经网络，输入层节点由商业银行财务会计评价指标假设。隐藏层的单位数将随着输入层的单位数和输出层的单位数而变化。 当隐含层包含的单元太少时，网络可能无法成功训练，无法有效识别未知样本，导致网络容错性差;如果隐含层包含的单元太多，学习时间会更长，导致无法有效降低误差（Zhang etal.，2022年）。根据以往的经验，隐层节点数通常可以通过计算得到，如等式（1）所示。（九）、C=a+b+l（9）由方程式(9)C为隐层神经元数，a为输入层神经元数，b为输出层神经元数，l为1 ~ 10的常数值。经过比较，确定隐藏层节点数为10。激活函数保持输入值和输出值之间的特征映射，并且 一 连续 值 乙状 功能与 一 范围 值from（ 0， 1）用于输入层和隐藏层：f（x）=1/ 1+e-x（10）本文引入相关因子分析法对BP神经网络进行优化。商业银行财务会计指标设计应遵循四个原则。建立商业银行财务会计指标的根本目的是客观反映商业银行的整体经营状况，因此应遵循全面性原则，Vkj=Vkj+αδkHjrk=rk+βδk修改隐藏层神经元的权重，如等式2所示。（七）、（六）通过选定的指标，充分全面地反映了银行的经营状况，包括银行的盈利性、流动性和安全性。许多指标可以显示银行{{J. 严智能系统与应用16（2022）2001554图3.第三章。 BP神经网络算法图。J. 严智能系统与应用16（2022）2001555[客户端]∑i1∑i1∑i1∑i1/∑λ操作条件，因此应遵循重要性原则，在众多指标中选择准确有效的关键指标。为了实现多层次的指标体系，应遵循层次性原则，将指标划分为不同的层次。本研究将指标分为三个层次：第一层次是研究指标的总体目标，即：商业银行的财务会计状况;第二个层次分为四类，即贷款偿还能力、利润-指标之间的相关系数称为指标的因素负荷。因子负荷值越大，指标越容易受到公因子的影响。将四个公因子输入统计软件，建立因子负荷矩阵。 根据方差最大化对因子负荷矩阵进行旋转，以解释公因子，使指标集中于特定的公因子。X的标准化因子模型的标准差为1，如等式2所示。（十三）、能力发展能力、作业能力和安全系数;构建指标体系的意义在于，协变量Xi，F j） 。）（一）J第三层次是财务会计指标的选择。的rXiFj=DXD。̅F̅̅̅)̅̅=covXi,Fj=aij(13)指标是可用和可量化的，因此，该研究可以从银行的财务状况中获得或计算报表根据人民银行提供的商业银行经营业绩基本指标和财政部关于商业银行X10X11，资本充足率X12.对这些因素的适用性进行了测试，并对指标样本进行了标准化，以消除不同数量级的影响，如方程式（1）所示。(11).Z=（x-x）/σx（11）基于因子分析理论，KMO（Kaiser Meyer Olkin）和然后进行方差最大化的因子旋转，得到旋转因子矩阵X。根据因子矩阵X，它可以是观察到第一公因子F1对反映商业银行贷款偿还能力的贷款偿还指标资产负债率和权益比率指标的负荷较大，因此将F1定义为贷款偿还因子。F3对反映商业银行经营能力的总资产周转率、总资产创造净利润的比例、净资产收益率的比例等指标具有显著的负荷作用，因此被定义为经营指标。F4对资本充足率和不良贷款率指标有显著的负荷作用，反映了商业银行的安全性，因此被定义为安全性指标。F4被定义为安全指示符。分析最终得到的因子得分矩阵如表2所示：因子得分矩阵X的组合得分计算如下所示由方程式（十四）、F=λ1F1+λ2F2+λ3F3+λ4F4（ 14）采用球面检验对数据进行效度分析的间隔当KMO值为0、 1时，如果KMO值在0.6以上的范围内，可以考虑进行因子分析，越接近1，4 4λi λi=-4 4λi λi=-因子效度分析的可信度越高。最终KMO值为0.742，可用于因子分析。Bartlett检验的结果显著性为0，否定了原假设样本数据在因子分析中是有效的，适合采用因子分析方法进行研究的样本数据适合进行因子分析。3.2. 基于改进bp神经网络的财务核算模型优化及应用基于这12个指标，利用SPSS软件可以推导出该指标体系的相关系数矩阵，进而得出相关系数矩阵的特征值和方差贡献率，如表1所示。计算因子方差贡献，如等式所示。（十二）、输出层研究对象为商业银行的财务会计问题，因此输出层节点数设置为1。BPNN主要通过动态调整权值和阈值来实现训练行为不同的网络具有不同的权值和阈值，这将影响模型的运算精度和速度。神经网络每次迭代时对初始权值和阈值的修改量称为学习速度比，如果这个比值不够大，则BPNN的效率会降低，收敛速度也会减慢。 如果学习率超过了某个数值范围的上限，模型就容易抖动，收敛速度变慢，从而产生较大的误差，而该研究选择了0.01的学习率（Li et al. 2020年）。网络训练过程通常预先设置预期误差当误差达到期望误差时，训练结束。的数据量Ci=Piλii=1（十二）研究的问题规模小，收敛速度快，因此没有设定具体的期望误差值。为了防止网络在有限迭代次数，如果最大迭代次数大于通常选择特征值大于1的因子，由此可以提取四个公共因子并分别设置为F1、F2、F3和F4。共同因素之间存在相关性，表1矩阵的特征值与方差贡献率。/1 2 3 4比网络收敛迭代次数，将其值设置为10，表2因子得分系数矩阵。指数F1 F2 F3 F40.145-0.002 0.004-0.005提取因子特征值率1.224 1.02347.350 14.325 8.465电话：+86-0515 - 8888888传真：+86-0515 - 8888888电话：+86-020 - 8888888传真：+86-020 - 8888888电话：+86-10 -8888888传真：+86-10 - 888888880.000-0.003 0.014累计47.350 61.675 70.14077.488粤ICP备05016888号-1旋转后提取因子的方差特征值贡献率1.240 1.09847.214 14.0120.147-0.001-0.001 0.0130.141 0.002-0.006 0.0150.003-0.095 0.418 0.1850.008-0.006 0.008 - 0.006累计47.214 61.226 69.843 77.5890.020 0.084-0.056 0.4322019 - 04 - 26 0.006 0.108J. 严智能系统与应用16（2022）2001556（）下一页（（））W（）下一页向量的每个元素的平方和的平方根，通过最小-000（Xi等人， 2022年）。以某银行的财务会计为样本进行了实证研究。在100个样本中，它包含来自 所有训练集和20个数据样本用于测试。在神经网络的训练过程中，样本训练过程中产生的均方误差收敛仿真状态如图4所示：当迭代次数达到10k时，训练样本的误差已满足收敛要求，模型训练完成。对随机选取的20个测试样本进行了预测，用均方误差比计算误差，实际数据和预测数据之间的时间间隔，如等式2所示。（十五）、MSE=（Ok-Tk）2（15）由方程式(15) Ok表示模型的预测结果，Tk表示因子分析后获得的期望性能值。通常，BPNN被训练为使用监督学习来学习，这可以被视为目标函数的最小化，如等式（1）所示。（十六）、w=argminΣL（yi，f（xi;w））+λΩ（w）（16）我图五. 学习率设置。函数在某些较小的范围内具有非常大的导数值，自变量是随机的，因此系数的大小将决定导数值的大小。正则化可以约束参数的取值范围，使取值范围更合适，从而减少过拟合的可能性。利用正则化函数中的L2范数对模型进行优化，其核心是寻找由方程式(16)L y i，f x i，w是模型的预测数据值f x i ; w与第一个i样本的实际数据值y i之间的误差值。模型需要满足拟合训练样本的要求，因此该项的值需要满足最小要求。为了确保模型在训练和测试过程中的误差最小化，将第二项添加到方程中，以使用参数w的正则化函数Ω（w）尽可能简单地约束模型（Meng等人， 2020年）。4. 因子分析BP神经网络模型在财务会计本研究选取了国内16家上市商业银行作为主要研究对象，所有数据均来自国泰安数据库。在仿真过程中，选取了80个研究样本，其中70个作为训练数据集，另外10个作为测试数据集。同时进行了仿真案例，设定了模型的动态学习率。其他参数保持不变，学习率调整为每4000步降低10倍。具体设置图如图所示。 五、拟合函数如果在配置过程中对每个点都进行考虑，会导致过拟合，结果会使生成的拟合函数相差很大即使在很小的间隔范围内，拟合函数的值也会发生显著变化，这表明最大化Ωw的L2参数化，以确保W的每个元素都很小且接近0。该参数与模型的复杂性成正比，而模型的复杂性与模型过拟合的可能性成正比。因此，将L2参数添加到模型可以防止过拟合。在对模型进行L2参数优化后，得到了基于相关因子分析的BP神经网络模型的误差收敛性。第六章当训练样本的迭代次数达到10k时，模型的误差满足收敛要求。通过误差收敛图与传统的BP神经网络结构的误差收敛图的比较。优化模型的均方误差收敛过程明显平滑，表明基于L2参数的相关分子分析的BPNN构型优化是有效的。用传统的BP神经网络结构和因子分析与回归分析相结合的模型对预测值和期望值进行比较，使用L2参数化的BP网络分别如图7所示。L2范数优化后基于相关因子分析的BPNN模型对财务业绩进行预测，预测值和期望值的拟合效果优于优化前，其测试样本的总误差率降低，预测值与期望值的误差率小于传统BPNN模型。这表明本研究提出的模型的预测精度有了实质性的提高。见图4。 模型训练样本均方误差收敛图见图6。基于相关因子分析的BPNN模型误差收敛图。J. 严智能系统与应用16（2022）2001557见图7。 期望值与预测值之间的拟合曲线。优化后的模型虽然误差收敛过程比较平缓，但振荡幅度仍然较大，因此本研究对模型进行了进一步的调整和优化。在保持其他参数设置不变的情况下，传统BPNN的学习速度处于静态，根据迭代次数将静态学习速度调整为动态学习速度。将学习速度设置为每2k次迭代降低10倍，0-2k次迭代的学习率为0.01，2-4k次迭代的学习率为0.001，4- 6 k次迭代的学习率为0.0001，以此类推。 八、当模型迭代达到最大迭代次数10k时，误差也满足收敛要求，在收敛过程中，模型的均方误差减小且更加稳定。利用训练好的模型对测试样本进行预测，预测值与期望值的比较结果见表3：该模型的预测值和期望值的拟合曲线如图所示。第九章利用该优化模型进行预测，得到的预测值曲线与期望值曲线几乎完全吻合，拟合效果很好。该模型预测结果的总误差和为0.003796，比优化前的模型预测结果的总误差和小得多，表明该模型的预测精度见图8。优化模型训练样本均方误差收敛图。J. 严智能系统与应用16（2022）2001558表3预测值与期望值的比较2k-0.344900-0.332250 0.0001603k 0.470895 0.466770 0.0000164k-0.291024-0.292105 0.0000015k 0.246567 0.239525 0.0000540.600231 0.613580 0.0003640.024925-0.002334 0.000480电话：+86-0511320-0543285 0.0012360.000867 0.005342 0.00002410k-0.858023-0.820341 0.001426该模型具有较好的泛化能力，适合于应用于财务会计中。分别对引入相关因子分析的BPNN、L2参数优化后引入相关因子分析的BPNN和L2参数优化后引入动态学习率和相关因子分析的BPNN进行了精度分析，结果如图所示。 10.的 精度 的 所有 四 模型 增加 与 迭代当迭代次数达到10k时，误差达到收敛要求，满足收敛条件。在这一点上，基于因子分析与学习率动态化的BPNN模型，并通过L2参数化优化的研究中提出的已经达到了最高的准确率为95.6%，而其他模型的准确率只有83.1，86.8，91.2%。这一结果有效地证明了该模型具有较高的准确率，表明其在商业银行财务会计中的应用具有较高的准确性、可靠性和有效性。4. 讨论随着大数据和人工智能技术的快速发展，BPNN在各个领域得到了广泛的应用。为了对商业银行财务会计进行评价，提出了引入相关因子分析的BPNN模型，选取合理的指标，将因子分析引入BPNN模型，并利用L2范数对模型进行优化。最后，调整模型训练样本的学习率，使其随迭代次数的增加而动态变化。在分析和讨论的过程中，本研究还借鉴了非财务化妆领域的一些分析和讨论方法，具体借鉴文献整理部分（Abad）统一展示的文献见图9。 预测值与期望值之间的拟合曲线。图10. 四种 模 型 的精度比 较 。迭代TkOkMSE1k-0.367015-0.3728600.000035J. 严智能系统与应用16（2022）2001559例如，2021; Mohamadian等人，2019年，2018年）。在同一研究领域，Chen团队将计算机视觉应用于智能核算系统的结构中，使企业财务核算的核算效率提高了16.8%，解决了传统计算机财务模块的智能化问题（Chen Williams，2022&）。 本研究从财务会计评价的角度出发，为商业银行提供了一种新的智能会计评价模型。结果表明，该模型预测结果的总误差和为0.003796，远小于优化前的模型。可以看出，这种模式性能优越，更有效。Wei L团队提出了一种半监督的计算机文本挖掘算法，可以准确识别银行风险因素，同时实现对风险重要性的评估（Wei et al. 2019年）。本研究从商业银行日常会计评价过程出发，帮助商业银行在会计核算过程中实现及时评价和修正，从而帮助银行把握日常经营的动态金融风险。 Vaghfi等人利用高斯备份向量机将基于宏观经济转换的企业财务困境定位应用于会计变量。研究结果表明，该方法对金融等非线性问题具有较好的效果苦恼（Vaghfi，2019）。 本研究选取商业银行作为研究对象，以商业企业集团为主要研究对象，通过对日常财务核算的评价和修正，帮助其避免财务困境5. 结论引入相关因子分析的BPNN模型，选取合理的指标，将因子分析引入BPNN模型，建立财务会计评价模型。结果表明，当模型迭代次数达到10k时，误差满足收敛要求，且均方误差在收敛过程中减小。模型的预测 值 曲 线 与 期 望 值 曲 线 基 本 吻 合 ， 模 型 预 测 结 果 的 总 误 差 和为0.003796，比优化前的模型小得多，表明模型精度更高，具有较好的泛化能力。4个模型的准确率为95.6%，其他3个模型的准确率分别为83.1%、86.8%和91.2%。结果表明，该模型在财务核算中具有更高的准确性、可靠性和有效性，减少了商业银行财务核算中的损失，帮助银行规避日常财务处理中可能出现的流程性财务风险，提高了商业银行财务处理的准确性和可靠性。同时也为BPNN模型结合相关因子分析在实践中的应用提供了理论指导和支持。然而，由于研究中选择的样本量较小模型在训练过程中的效果可能会受到影响，一定程度的偶然性和不稳定性。因此，扩大样本量，在行业内进行更普遍的研究是未来的主要研究方向。拨款本研究得到了以下资助：中国基金信息：北京市教育委员会科研计划，编号：KM202110858003。信用作者声明我想声明，所描述的工作是原始的研究，以前没有发表过，也没有考虑在其他地方发表，全部或部分。竞争利益在提交本手稿时不存在利益冲突数据可用性数据将根据要求提供引用Abad，A. R. B、Mousavi，S.，Mohamadian，N.，等（2021年）。预测凝析气藏近井区域凝析油粘度的混合机器学习算法。天然气科学与工程杂志，95，文章104210。https://doi.org/10.1016/j.jngse.2021.104210Agushaka，J.O.，Ezugwu，A. E、&阿布阿里加湖（2022年）。瞪羚优化算法：一种新颖的自然启发式元启发式优化器。 神经计算和应用，1-33。Akinola，O.一、Ezugwu，A. E、奥耶拉德岛O. N.，等（2022年）。高维多类数据集特征选择的模拟退火混合二进制侏儒猫鼬优化算法。 Scientific Reports，12（1），1-22.Chang，Y.，Yue，J.，Guo，R.，等（2020年）。基于优化BP神经网络的非对称角根焊熔透质量预测。Journal of ManufacturingProcesses，50，247-254.陈淑仪，&威廉斯，A.（2022年）。基于计算机视觉的智能计费系统结构及智能计费算法。在网络安全情报和分析国际会议的论文集（第2009页）。97-104）。斯普林格。Dastranj，M.，Zanjirchi，S.，Mirfakhredini，S.，等（2019）。Designing a bankbasedflexible performance evaluation system（Study：Bank Shahr）（波斯文）.Journal ofMonetary and Banking Research，12（41），413-442.黄，Y.，Xiang，Y.，赵，R.，等（2020年）。基于改进PSO- BP神经网络的空气质量预测。IEEE Access：Practical Innovations，Open Solutions，8，99346-99353.江泽民，黄河，巴西-地黄，Y.，等（2019）。基于遗传算法优化的BP神经网络在电网投资风险评价中的应用。IEEEAccess：Practical Innovations，Open Solutions，7，154827-154835.李静，Zhou，L.，中国科学院，&Wang，Y.（2018年）。基于BP神经网络和模糊AHP方法的技术标准联盟风险评估对比分析。Journal of Advanced ComputationalIntelligence &Intelligent Informatics，22（6），838-845.Li，H. C.的方法，Zhou，K.问：莫湖，澳-地P.，等（2020年）。采用改进的和声搜索算法和BP神经网络框架进行加权模糊产生式规则提取。IEEEAccess：PracticalInnovations，Open Solutions，8，186620-186637.孟，Z.，杨，Y.，高，Y.，等（2020年）。基于MEA-BP神经网络的大功率IGBT模块驱动策略预测方法。IEEE Access：PracticalInnovations，Open Solutions，8，94731-94747.Mohamadian，N.，Ghorbani，H.，伍德D.一、等（2018）。纳米颗粒与选定的添加剂增强的钻井液流变和过滤特性：实验研究。地球能源研究进展，2（3），228-236。Mohamadian，N.，Ghorbani，H.，伍德D.一、等（2019）。聚（苯乙烯-甲基丙烯酸甲酯-丙烯酸）/粘土杂化纳米复合材料作为一种新型钻井液流变性改进剂。Journal of Polymer Research，26（2），1-14.Ren，H.，Hou，B.，Zhou，G.，中国科学院，等（2020年）。基于BP神经网络PID的风力发电机组变桨距自抗扰控制。IEEE Access：PracticalInnovations，OpenSolutions，8，71782-71797.Swamy，A. K.，&萨罗贾马湾（2020年）。通过优化的混合机器学习与ARIMA合并的银行交易数据建模。Journal of Management Analysis，7（4），624-648.Vaghfi，S. H.（2019年）。利用人工智能算法在金融破产的宏观经济和会计变量上市公司在德黑兰证券交易所。 Journal of Decisions and Operations Research，4（2），158-173.韦湖，加-地Li，G.，Zhu，X.，等（2019）。基于新的半监督文本挖掘算法从财务报表中发现银行风险因素。Accounting&Finance，59（3），1519-1552.Xi，H.，Li，Z.，Han，J.，等（2022年）。基于AHP-EWM和BP神经网络的中国城市生活垃圾分类能力评价。 废物管理，139，208-216。徐，J，李杰，廖，X.，等（2019）。一种基于BP神经网络的充电站规划预测方法。Computers and Communications，7（7），219-230.徐，X.，彭湖，Ji，Z.，等（2021年）。基于麻雀搜索算法优化BP神经网络的变电站工程造价预测研究。Sustainability，13（24），1-17.杨，F.，&Li，F. W. B.（2018年）。基于数据挖掘的学生成绩评估、学生进步分析和学生潜能预测研究。计算机&教育，123，97-108。Zhang，J.P.，Gao，P. F.，&Fang，F.（2019年）。ATPSO-BP神经网络建模及其在力学性能预测中的应用计算材料科学，163，262-266。张，K.，Zhu，J.，他，M.，等（2022年）。基于BP神经网络模型的煤层冲击危险性智能综合评价研究。Energies，15（9），1-14.J. 严智能系统与应用16（2022）20015510Zhang， Y.（2019年）。基于电子商务供应链网络数据的改进BP神经网络在水产品出口量预测中的 应 用 。认知系统研究，57，228赵，Q.，张，L.，刘志，等（2022年）。基于随机BP神经网络的页岩气井产能影响因素分析大数据方法Energies，15（7），1-13.赵玉，Di，Z.，&Yan，H.（2018年）。一种改进的基于BP神经网络的大气参数廓线反演方法。大气研究，213，389-397。