8、破产预测中的反向传播与Kohonen自组织特征映射

破产预测中的反向传播与Kohonen自组织特征映射

1. 引言

人工神经网络常分为有监督和无监督两种训练类型。有监督训练需要输入向量和对应的目标向量，反向传播（BP）网络就是有监督训练类型的典型代表，也是人工神经网络文献中最常用的训练方法。多层感知器（MLP）及其学习算法BP之所以成功，是因为BP网络的输出是后验概率的估计，而后验概率在统计模式分类理论中起着核心作用。

然而，训练像BP网络这样的有监督网络时，必须提供目标向量。在破产预测任务中，目标向量是“企业是否破产”，这必须嵌入到有监督训练过程中。但在某些情况下，特别是在当今快速变化、基于实时的商业环境中，可能无法轻易获得用于训练的额外目标信息。在这种情况下，无监督神经网络可能是更合适的技术。与有监督网络不同，无监督神经网络训练只需要输入向量。由Kohonen等人开发的无监督网络训练算法会修改算法权重，将输入向量处理成相似的输出类（或聚类）。

BP有监督网络是破产预测中应用最广泛的网络类型。为了更好地理解各种神经网络算法的可行性和有效性，需要对有监督和无监督这两种不同的方法进行比较。不过，由于这两种网络的方向截然不同，直接比较它们有些困难。因此，我们将重点比较BP网络和Kohonen自组织特征映射，它们分别作为有监督和无监督神经网络的代表类型，同时还会进行二次判别分析（QDA）和逻辑回归，为神经网络分类器提供性能基准。

2. 相关技术概述

2.1 反向传播（BP）网络

BP算法是多层感知器（MLP）的一种系统训练方法，在破产预测任务中应用广泛。其原理是先计算目标值与实际网络输出之间的差异（或误差），然后通过调整权重向量将误差降低到理想水平。但要为BP网络找到合