學習→創造→分享一直是數行科技堅持的原則，今天小數就來為大家分享一下RBF神經網絡及其在財務報表舞弊識別中的應用。

——————————————————

?什么是RBF神經網絡？?? ??RBF神經網絡即徑向基函數神經網絡(Radical Basis Function)。徑向基函數神經網絡是一種高效的前饋式神經網絡，它具有其他前向網絡所不具有的最佳逼近性能和全局最優特性，并且結構簡單，訓練速度快。同時，它也是一種可以廣泛應用于模式識別、非線性函數逼近等領域的神經網絡模型。? ?RBF神經網絡在財務報表舞弊識別中的優越性??

? 在目前財務報表的舞弊中，很多研究是基于BP神經網絡。BP網絡是利用非線性可微分函數進行權值訓練的多層網絡。由于其結構簡單，可塑性強，故在模式識別，信息分類等領域得到了廣泛的應用。但RBF神經網絡相比較而言，更具有優勢，他對于每個訓練樣本，只需要少量的權值和閾值進行修正，因此訓練速度更快。正是由于RBF具有結構自適應確定，輸出與初始權值無關以及具有生物學基礎的優良特性，在多維曲面擬合，自由曲面重構等領域有著越來越多的應用。在數學上，BP網絡是為了使輸入輸出函數的概率近似，與此相對，在RBF中時進行判定邊界的近似。

? 在BP網絡中，各神經元的輸入由于千層輸出的一次結合，其判定邊界Wie直線形狀的組合。由于RBF使用徑向基函數，呈圓形或橢圓形。從BP網絡的隱含層函數logsig和RBF網絡的隱含層傳遞函數Gaussian為例也可以看出，BP網絡不一定收斂，而RBF網絡一定會收斂，在徑向基網絡中，相當于選擇各隱層神經元的傳遞函數，使之構成一組奇函數逼近未知函數，因此RBF網絡對輸入的樣本特征有一個聚類的作用，這對于非線性問題的研究更具有優越性。財務報表舞弊，因其危害性而成為經濟領域中的一個重要的問題，它往往會受到公司治理結構，股權結構，人員道德等多方面因素的影響，這種輸入和輸出之間的關系可能表現為一種復雜的非線性關系。而且，根據舞弊樣本和非舞弊樣本的對照，研究財務報表無比的識別，實質上就是一個模式識別問題，RBF能將模式識別問題用非線性向高維投射，從而能進行更有效地將數據分類，這不僅適合財務報表無比的因素研究，而且能使研究得到更好的效果。? ?

? ?RBF神經網絡在財務報表舞弊識別中的應用?由于RBF神經網絡模型更具優越性，對于財務報表舞弊問題的研究，可以利用RBF已研究出的傳統因素對財務報表舞弊的識別能力；然后再利用RBF檢驗在傳統因素基礎上整合，綜合更多特征加強對財務報表舞弊的識別性能，從而比較后，財務報表舞弊的識別模型的預測精度較之利用傳統因素進行預測的精度的改善，在此基礎上還可以運用Fisher-ratio準確對全部的特征進行分析，對財務報表舞弊預測模型進行優化，并且利用RBF神經網絡檢驗模型對該優化模型進行檢驗，證明其預測精度的顯著性提高。優化模型將提高財務報表舞弊識別模型的適用性和推廣性。

雙十一福利大放送！點擊下方鏈接注冊即可免費試用“財務數據反欺詐和風險分析系統”——數行淘客。機會寶貴，不要錯過哦！

數信淘客試用網址：http://app.caibao360.cn/

更多精彩內容分享請點擊下方的往期精選

往期精選：露笑科技篇|沃森生物篇|新綸科技篇|康得新篇|輔仁藥業篇

總結

以上是生活随笔為你收集整理的神经网络 mse一直不变_干货RBF神经网络在财务报表舞弊识别中的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。