Μια Εμπειρική Ανάλυση Πρόβλεψης Κινδύνου Εταιρικής Χρηματοοικονομικής Διαχείρισης Βασισμένη σε Νευρωνικό Δίκτυο Συνειρμικής Μνήμης

Ως ένα υπολογιστικό μοντέλο που μοιάζει με ανθρώπινο εγκέφαλο που μπορεί να αντανακλά τη γνωστική λειτουργία του εγκεφάλου, το πρόβλημα της δυναμικής ανάλυσης των νευρωνικών δικτύων συνειρμικής μνήμης έχει προσελκύσει την προσοχή των μελετητών. )είναι το χαρτί συνδυάζει νευρωνικά δίκτυα συσχετιστικής μνήμης με κινδύνους οικονομικής διαχείρισης της επιχείρησης, μελετά τα προβλήματα ελέγχου συγχρονισμού και ανάλυσης σταθερότητας αμνησιακών νευρωνικών δικτύων ανθρώπινου εγκεφάλου που μοιάζουν με μονής κατεύθυνσης συσχετιστικής μνήμης με διαταραχές και μικτές χρονικές υστερήσεις, προτείνει μια αμφίδρομη συσχέτιση παρόμοια με τη μνήμη Μοντέλο στοχαστικού αμνησιακού νευρικού δικτύου εγκεφάλου με μικτές χρονικά μεταβαλλόμενες χρονικές υστερήσεις, σχεδιάζει μια στρατηγική ελέγχου δειγματοληψίας διακριτού χρόνου με βάση το μοντέλο και μελετά διάφορους τύπους πρόσφατων οικονομικών κινδύνων. Με βάση την έρευνα έγκαιρης προειδοποίησης, με βάση τη μέθοδο νευρωνικών δικτύων συσχετιστικής μνήμης, προτείνουμε την ανακατασκευή των κατηγοριών κινδύνου, συμπεριλαμβανομένης της βελτίωσης του συστήματος διαχείρισης επιχειρηματικού κινδύνου, της ενίσχυσης της συνειδητοποίησης της διαχείρισης οικονομικών κινδύνων από πάνω προς τα κάτω και της ενίσχυσης της βασικής ανταγωνιστικότητας του η ίδια η επιχείρηση και τα μέτρα ελέγχου για τους κινδύνους χρηματοδότησης, επενδύσεων, λειτουργίας και ταμειακών ροών.

Υπάρχει στενή σχέση μεταξύ της γνωστικής λειτουργίας του εγκεφάλου και της μνήμης. Μια εξαιρετική γνωστική λειτουργία μπορεί να μας βοηθήσει να μάθουμε, να θυμόμαστε και να κατανοούμε καλύτερα τις πληροφορίες.

Πρώτον, η γνωστική λειτουργία αναφέρεται στην ικανότητα του ατόμου να αντιλαμβάνεται, να επεξεργάζεται και να εκφράζει εξωτερικές πληροφορίες. Αυτό περιλαμβάνει τομείς όπως ο έλεγχος της προσοχής, η νοητική ευελιξία, η μνήμη εργασίας, οι γλωσσικές δεξιότητες και η εκτελεστική λειτουργία. Η μνήμη είναι η διαδικασία απόκτησης, διατήρησης και χρήσης πληροφοριών μέσω κωδικοποίησης, αποθήκευσης και ανάκτησης πληροφοριών. Τα άτομα με ανώτερη γνωστική λειτουργία έχουν ισχυρότερες ικανότητες επεξεργασίας και μάθησης πληροφοριών και είναι καλύτερα σε θέση να μετατρέψουν τις πληροφορίες σε μακροπρόθεσμη μνήμη.

Δεύτερον, υπάρχει μια αμοιβαία σχέση προαγωγής μεταξύ της μνήμης και της γνωστικής λειτουργίας. Η ενίσχυση της γνωστικής λειτουργίας μπορεί να βελτιώσει αποτελεσματικά τη μνήμη μας. Για παράδειγμα, ο καλός έλεγχος της προσοχής και η συγκέντρωση μπορεί να μας βοηθήσει να διατηρήσουμε καλύτερα τις πληροφορίες. Οι βελτιώσεις στην εκτελεστική λειτουργία μας βοηθούν στην καλύτερη κωδικοποίηση, αποθήκευση και ανάκτηση πληροφοριών.

Επιπλέον, όχι μόνο η γνωστική λειτουργία προάγει τη μνήμη, αλλά η καλή μνήμη μπορεί επίσης να μας βοηθήσει να επεκτείνουμε τη γνωστική λειτουργία. Τα άτομα με εξαιρετική ικανότητα μνήμης μπορούν να κατακτήσουν καλύτερα διάφορες δεξιότητες όπως η γλώσσα, η μουσική και ο αθλητισμός και να ασκήσουν μεγαλύτερα πλεονεκτήματα στις γνωστικές δραστηριότητες.

Επομένως, θα πρέπει να έχουμε πλήρη επίγνωση της στενής σχέσης μεταξύ της γνωστικής λειτουργίας του εγκεφάλου και της μνήμης, να βελτιώνουμε σκόπιμα τη γνωστική λειτουργία, να εκπαιδεύουμε ενεργά τη μνήμη και να δίνουμε προσοχή στην αλληλεπίδραση μεταξύ γνώσης και μνήμης. Μόνο έτσι μπορούμε να διευρύνουμε συνεχώς τα γνωστικά μας όρια και να βελτιώνουμε το επίπεδο προσωπικής μας ανάπτυξης. Μπορεί να φανεί ότι πρέπει να βελτιώσουμε τη μνήμη μας. Το Cistanche μπορεί να βελτιώσει σημαντικά τη μνήμη επειδή η πάστα κρέατος είναι ένα παραδοσιακό κινέζικο φαρμακευτικό υλικό με πολλά μοναδικά αποτελέσματα, ένα από τα οποία είναι η βελτίωση της μνήμης. Η αποτελεσματικότητα του κιμά προέρχεται από μια ποικιλία ενεργών συστατικών που περιέχει, όπως καρβοξυλικό οξύ, πολυσακχαρίτες, φλαβονοειδή κ.λπ. Αυτά τα συστατικά μπορούν να προάγουν την υγεία του εγκεφάλου μέσω διαφόρων καναλιών.

Κάντε κλικ στο Μάθετε 10 τρόπους για να βελτιώσετε τη μνήμη

1. Εισαγωγή

Το νευρωνικό δίκτυο συνειρμικής μνήμης μιμείται το μοτίβο λειτουργίας των νευρωνικών κυττάρων στον ανθρώπινο εγκέφαλο. Πρώτον, το μοτίβο που θα απομνημονευτεί αποθηκεύεται με τη μορφή ενός δικτύου βάρους του νευρωνικού δικτύου. Όταν λαμβάνει την πληροφορία ατελούς ή ελαττωματικού σχεδίου από το εξωτερικό, το νευρωνικό δίκτυο αυτή τη στιγμή κάνει το μοτίβο εισόδου να αλλάζει συνεχώς την τιμή του και να συγκλίνει στο απομνημονευμένο μοτίβο με μαζικό παράλληλο υπολογισμό. )το νευρωνικό δίκτυο έχει καλή ισχυρή απόδοση, πράγμα που σημαίνει ότι το νευρωνικό δίκτυο συσχετιστικής μνήμης έχει καλή απόδοση ανοχής σφαλμάτων. Τα μοτίβα που πρόκειται να απομνημονευθούν αποθηκεύονται πρώτα με τη μορφή ενός δικτύου βαρών του νευρωνικού δικτύου.

Όταν λαμβάνει πληροφορίες σχετικά με ημιτελή ή κατακερματισμένα μοτίβα από το εξωτερικό, το νευρωνικό δίκτυο αλλάζει συνεχώς τις τιμές του και συγκλίνει στα απομνημονευμένα μοτίβα μέσω μαζικών παράλληλων υπολογισμών. Τα νευρωνικά δίκτυα συσχετιστικής μνήμης χρησιμοποιούνται πλέον ευρέως στην αναγνώριση προτύπων, στην επεξεργασία εικόνας, κ.λπ. Η αυτοσυσχετιστική μνήμη σημαίνει ότι τα μοτίβα εκτροπής εισόδου είναι ίσα με τα απομνημονευμένα μοτίβα. Σε αντίθεση με την ετερο-συσχετιστική μνήμη, τα μοτίβα εκτροπής εισόδου δεν είναι ίδια με τα απομνημονευμένα μοτίβα, αλλά δείχνουν αντίστοιχες σχέσεις χαρτογράφησης. Η αυτοσυσχετιστική μνήμη αναφέρεται στην εφαρμογή συσχετιστικής μνήμης στην οποία το αρχικό μοτίβο εισόδου είναι πανομοιότυπο με το απομνημονευμένο μοτίβο εξόδου. ) Το πρώτο βήμα στην αυτοσυσχετιστική μνήμη είναι η κατάθεση του επιθυμητού απομνημονευμένου μοτίβου (π.χ. η λέξη υπολογιστής) σε συγκεκριμένη μορφή στα βάρη του δικτύου μέσω του αλγόριθμου εκμάθησης ενός νευρωνικού δικτύου [1]. )en, είναι δυνατό να εισαχθεί το μοτίβο με πληροφορίες υπόδειξης και το νευρωνικό δίκτυο εκτελεί συνεχείς επαναληπτικές λειτουργίες για να δώσει τη σωστή έξοδο. για να λάβετε πληροφορίες για τη λέξη που θυμάστε. Δηλαδή, αυτό το νευρωνικό δίκτυο συσχετιστικής μνήμης έχει έναν ορισμένο βαθμό ανοχής σε σφάλματα.

Η ανοχή σφαλμάτων είναι ένα από τα κριτήρια για να κρίνουμε εάν η εφαρμογή της συσχετιστικής μνήμης είναι εφικτή. ) Η διαδικασία μνήμης του νευρωνικού δικτύου, δηλαδή η ρύθμιση των βαρών του νευρωνικού δικτύου, χρειάζεται να μεταφράσει τα απομνημονευμένα μοτίβα στη μορφή των τιμών κατάστασης κάθε νευρώνα όταν το νευρωνικό δίκτυο βρίσκεται σε σταθερή κατάσταση. Δηλαδή, γενικά, ένα σταθερό σημείο του νευρωνικού δικτύου μπορεί να αποθηκεύσει ένα μοτίβο και ο προσδιορισμός της τιμής του σταθερού σημείου πρέπει να ρυθμιστεί σύμφωνα με τις απαραίτητες συνθήκες που απαιτούνται από το μοντέλο νευρωνικών δικτύων συσχετιστικής μνήμης που υιοθετείται σε αυτό το κεφάλαιο, γενικά αντικαθιστώντας το μοτίβο μνήμης στο σύνολο των διαφορικών εξισώσεων του νευρωνικού δικτύου, στη συνέχεια παραθέτοντας την αντίστοιχη ανισότητα με βάση τις παραπάνω απαραίτητες συνθήκες και συσχετίζοντας αυτήν την ανισότητα με το σύστημα διαφορικών εξισώσεων που συνδέονται για να λύσουν ένα συγκεκριμένο σύνολο λύσεων και τελικά να καθορίσουν ένα καταλληλότερο βάρος [2]. )is η διαδικασία εκτελείται επίσης με τη χρήση συγκεκριμένων αλγορίθμων εκπαίδευσης (π.χ. μέσω αυτοανατροφοδότησης δικτύου).

Εφόσον τα μοτίβα εισόδου και εξόδου της αυτοσυσχετιστικής μνήμης είναι πανομοιότυπα, που σημαίνει ότι και τα δύο έχουν την ίδια διάσταση, αυτό είναι χαρακτηριστικό της αυτοσυσχετιστικής μνήμης.

Υπό συνθήκες οικονομίας της αγοράς, οι επιχειρήσεις πρέπει να έχουν επίγνωση της αντικειμενικότητας των χρηματοοικονομικών κινδύνων και επί του παρόντος, οι επιχειρήσεις έχουν γενικά αδύναμη επίγνωση των χρηματοοικονομικών κινδύνων, της τυφλής άντλησης κεφαλαίων, των ασύνετων επενδύσεων, του ανεπαρκούς συστήματος διαχείρισης χρηματοοικονομικών κινδύνων και του κρατικού ιδιόκτητες επιχειρήσεις, οι οποίες έχουν αδύναμα σημεία όπως ατελής μηχανισμός αξιολόγησης οικονομικού κινδύνου και έλλειψη μέτρων ελέγχου του κινδύνου. ) μας, η μελέτη των χαρακτηριστικών των επιχειρηματικών χρηματοοικονομικών κινδύνων και η λήψη ορισμένων μέτρων για την πρόληψη και τη διαχείρισή τους έχει γίνει ένα σημαντικό ζήτημα που αντιμετωπίζουμε τώρα. Αν και η ταχεία ανάπτυξη διαφόρων βιομηχανιών εγκυμονεί επίσης πολλούς κινδύνους, ο κλάδος εμφανίζεται συχνά στη χρηματοπιστωτική κρίση και οδηγεί ακόμη και σε χρεοκοπία επιχειρήσεων [3]. )e ο προσδιορισμός της τιμής του σημείου σταθερότητας ρυθμίζεται σύμφωνα με τις απαραίτητες συνθήκες που απαιτούνται από το μοντέλο νευρωνικών δικτύων συσχετιστικής μνήμης που υιοθετείται σε αυτό το κεφάλαιο, γενικά αντικαθιστώντας το μοντέλο μνήμης στο σύνολο των διαφορικών εξισώσεων του νευρωνικού δικτύου και στη συνέχεια παραθέτοντας τις αντίστοιχες ανισότητες σύμφωνα με τις παραπάνω απαραίτητες προϋποθέσεις. )είναι η ανισότητα στη συνέχεια συνδυάζεται με το σύνολο των διαφορικών εξισώσεων για να λυθεί μια σειρά από συγκεκριμένες λύσεις και τελικά να προσδιοριστεί μια καταλληλότερη τιμή βάρους. ) Επομένως, η διαχείριση χρηματοοικονομικού κινδύνου των επιχειρήσεων είναι πολύ σημαντική και μπορεί να καθορίσει εάν η επιχείρηση μπορεί να αναπτυχθεί με υψηλή ταχύτητα και υγιή τρόπο.

Τα τελευταία χρόνια, οι μελετητές έχουν επίσης αυξήσει την έρευνά τους για τη διαχείριση χρηματοοικονομικού κινδύνου των επιχειρήσεων, αλλά δεν έχει ακόμη διαμορφωθεί ένα συστηματικό θεωρητικό σύστημα για τη μελέτη του χρηματοοικονομικού κινδύνου των επιχειρήσεων. Επιπλέον, το επίκεντρο της υπάρχουσας έρευνας είναι η ανάλυση των χρηματοοικονομικών κινδύνων των επιχειρήσεων και η υποβολή γνωμοδοτήσεων για τον έλεγχο χρηματοοικονομικών κινδύνων, ενώ υπάρχουν σχετικά λίγες μελέτες που αναλύουν τα στάδια της διαχείρισης χρηματοοικονομικού κινδύνου των επιχειρήσεων, π.χ. τον προσδιορισμό, την αξιολόγηση και τα μέσα ελέγχου. οικονομικών κινδύνων, σε βάθος. Με βάση το νευρωνικό δίκτυο συνειρμικής μνήμης, η παρούσα εργασία συνδυάζει τη σχετική θεωρητική βιβλιογραφία για τον έλεγχο του οικονομικού κινδύνου των επιχειρήσεων με τη συγκεκριμένη περίπτωση του ελέγχου χρηματοοικονομικού κινδύνου του Ομίλου Storm και ερευνά τον εντοπισμό, την ανάλυση και την αξιολόγηση του χρηματοοικονομικού κινδύνου και του ελέγχου των επιχειρήσεων, ελπίζοντας να διαδραματίζουν συμπληρωματικό ρόλο επαλήθευσης στην τρέχουσα θεωρητική έρευνα σχετικά με τον έλεγχο χρηματοοικονομικών κινδύνων στις επιχειρήσεις.

2. Κατάσταση Έρευνας

Τα τεχνητά νευρωνικά δίκτυα έχουν μελετηθεί εντατικά τις τελευταίες δεκαετίες λόγω της ευρείας εφαρμογής τους σε πολλούς τομείς όπως η αναγνώριση προτύπων, η συσχετιστική μνήμη, η επεξεργασία σήματος και η βελτιστοποίηση. Ορισμένες εφαρμογές, όπως αυτές στη θεωρία βελτιστοποίησης, απαιτούν τα νευρωνικά δίκτυα να έχουν μόνο ένα σταθερό σημείο. Ωστόσο, ορισμένες άλλες εφαρμογές όπως η συνειρμική μνήμη και η αναγνώριση προτύπων απαιτούν την ύπαρξη πολλαπλών σταθερών ισορροπιών στο ίδιο το νευρωνικό δίκτυο.

Η πολυσταθερότητα δύο επαναλαμβανόμενων νευρωνικών δικτύων με συμμετρικές συναρτήσεις ενεργοποίησης αρχής φάσης μελετάται στη βιβλιογραφία [4]. Η πολλαπλή μ-σταθερότητα των νευρωνικών δικτύων με απεριόριστες χρονικά μεταβαλλόμενες χρονικές καθυστερήσεις εξετάζεται στη βιβλιογραφία [5]. Η πολυσταθερότητα των επαναλαμβανόμενων νευρωνικών δικτύων με μη μονοτονικές συναρτήσεις ενεργοποίησης και απεριόριστες χρονικά μεταβαλλόμενες χρονικές καθυστερήσεις συζητείται στη βιβλιογραφία [6]. Στη βιβλιογραφία [7], συζητείται η πολυσταθερότητα των νευρωνικών δικτύων κλασματικής τάξης με την έννοια Mittag-Leffler με τμηματικές σταθερές παραμέτρους. Η πολυσταθερότητα μιας κατηγορίας νευρωνικών δικτύων Hopfield με στοχαστικές χρονικές υστερήσεις μελετήθηκε στη βιβλιογραφία [8] εφαρμόζοντας την αρχή του σημείου ακινησίας του Schauder και τη σχετική θεωρία στοχαστικής χρονικής υστέρησης, όπου υπάρχουν 2n ορθογώνιες αμετάβλητες περιοχές συνόλου υπό ορισμένες συνθήκες και σε τουλάχιστον μία από αυτές τις περιοχές έχει σημείο ισορροπίας και προτείνοντας δύο επαρκείς συνθήκες για να διασφαλιστεί ότι αυτά τα σημεία ισορροπίας είναι σταθερά.

Μια νέα συνθήκη που είναι λιγότερο περιοριστική σε σχέση με τη συνθήκη συνεχούς Lipschitz σε συναρτήσεις ενεργοποίησης μιγαδικών τιμών προτείνεται στη βιβλιογραφία [9] και παρουσιάζεται μια σειρά κριτηρίων που εγγυώνται την ύπαρξη, τη μοναδικότητα και τα αριθμητικά παραδείγματα παγκόσμιων ασυμπτωτικών σημείων σταθεροποίησης επαναλαμβανόμενων νευρωνικών δικτύων πολύπλοκης αξίας. Στη βιβλιογραφία [10], η σταθερότητα των επαναλαμβανόμενων νευρωνικών δικτύων με χρονικά μεταβαλλόμενες χρονικές καθυστερήσεις αναλύεται χρησιμοποιώντας FTM (Μέθοδος ευέλικτης ακμής) και προτείνονται αρκετά νέα κριτήρια σταθερότητας για την περιγραφή της σταθερότητας αυτού του νευρωνικού δικτύου με την κατασκευή ενός νέου τύπου Λειτουργία Lyapunov. Στη βιβλιογραφία [11], προτείνεται μια νέα ιδέα σχεδιασμού για CVHAM (σύνθετη πολυκαταστατική μνήμη Hopfield) για να αναλυθεί η σταθερότητα των συστημάτων CVHAM χρησιμοποιώντας τη μέθοδο ενεργειακής συνάρτησης και τελικά να εξαχθεί ότι το δίκτυο μπορεί να συγκλίνει σε ένα ακίνητο σημείο για ένα αυθαίρετη τιμή εισόδου και συζητείται η γεωμετρία προβολής του GPR (γενικευμένος κανόνας προβολής).

Σύμφωνα με τη βιβλιογραφία [12],Οι επιχειρήσεις του Διαδικτύου έχουν τα οικονομικά χαρακτηριστικά του μοντέλου «οικονομίας ροής», του μοντέλου λειτουργίας «ελαφριάς περιουσίας», του ελαφρού κόστους και του κόστους, της γρήγορης αντικατάστασης προϊόντων και της χρηματοδότησης από ίδια κεφάλαια. ) Ο χρηματοοικονομικός κίνδυνος των επιχειρήσεων του Διαδικτύου έχει τόσο τα χαρακτηριστικά των γενικών επιχειρήσεων όσο και τα ιδιαίτερα χαρακτηριστικά του. Σε σύγκριση με τις γενικές επιχειρήσεις, ο κίνδυνος έλλειψης κεφαλαίου των επιχειρήσεων του Διαδικτύου είναι ο σημαντικότερος. Η βιβλιογραφία [13] εισήγαγε το μοντέλο αποτίμησης EVA για να διερευνήσει τη σχέση μεταξύ του χρηματοοικονομικού κινδύνου και της εταιρικής αξίας των επιχειρήσεων του Διαδικτύου, χρησιμοποίησε το μοντέλο EVA και το παραδοσιακό μοντέλο αποτίμησης για να αξιολογήσει την εταιρική αξία της υπόθεσης εταιρείας NetEase και κατέληξε στο συμπέρασμα ότι Το μοντέλο αποτίμησης EVA είναι πιο ακριβές. Η βιβλιογραφία [14] υποστηρίζει ότι οι επιχειρήσεις του Διαδικτύου έχουν κυρίως κινδύνους όσον αφορά το μοντέλο κερδοφορίας, τις ταμειακές ροές, τη χρηματοδότηση, τις επενδύσεις και τις κρατικές ρυθμίσεις. Πρότεινε επίσης ότι οι επιχειρήσεις του Διαδικτύου θα πρέπει να δημιουργήσουν έναν υγιή μηχανισμό έγκαιρης προειδοποίησης οικονομικών κινδύνων, να δημιουργήσουν ένα επαγγελματικό ελεγκτικό ίδρυμα και σύστημα ελέγχου, να ενισχύσουν τη συνολική δημοσιονομική εργασία, να βελτιώσουν τον μηχανισμό ελέγχου των εισπρακτέων λογαριασμών και να ενισχύσουν τη διαχείριση του χρηματοοικονομικού και επενδυτικού κινδύνου. Η βιβλιογραφία [15] υποστηρίζει ότι η διασφάλιση της κερδοφορίας των περιουσιακών στοιχείων και τα μέτρα ελέγχου που προτείνονται για την αποφυγή απροσδόκητων ζημιών επιτυγχάνονται μέσω της διαχείρισης κινδύνου. Η βιβλιογραφία [16] υποστηρίζει ότι οι εταιρείες πρέπει πρώτα να καθιερώσουν ένα υγιές σύστημα εσωτερικού ελέγχου όταν λαμβάνουν επιχειρηματικές αποφάσεις, το οποίο μπορεί, σε κάποιο βαθμό, να αποφύγει την κάλυψη οικονομικών κινδύνων και να προκαλέσει λειτουργικές δυσκολίες κατά τη χρηματοδότηση δραστηριοτήτων. Η βιβλιογραφία [17] μελετά την προέλευση του κινδύνου και τον μηχανισμό δράσης του οικονομικού κινδύνου για τη διερεύνηση και τον πιο στοχευμένο εντοπισμό, αξιολόγηση και έλεγχο του κινδύνου, εξαλείφοντας τους κρυμμένους παράγοντες οικονομικού κινδύνου.

3. Ένα μοντέλο κινδύνου για εταιρική οικονομική διαχείριση βασισμένο σε νευρωνικά δίκτυα συνειρμικής μνήμης

3.1. Μοντέλο Νευρωνικού Δικτύου Συνειρμικής Μνήμης. Τα βασικά βήματα του τρέχοντος αλγόριθμου εκπαίδευσης επαναλαμβανόμενου νευρωνικού δικτύου είναι πρώτα η προεπεξεργασία των δειγμάτων που θα αναγνωριστούν για να ληφθούν αριθμητικά διανύσματα χαρακτηριστικών, η εισαγωγή αυτών των διανυσμάτων διαδοχικά στο δίκτυο και στη συνέχεια η σύγκριση της εξόδου του δικτύου με την εξερχόμενη έξοδο κατά μια διαφορά και χρησιμοποιήστε αυτή τη διαφορά ως αρνητική ανάδραση για να διορθώσετε τα βάρη δικτύου. ) Το πλεονέκτημα αυτού του αλγορίθμου είναι ότι είναι απλός στη λειτουργία του και η εκπαιδευτική διαδικασία είναι μάθηση χωρίς επίβλεψη, ενώ το μειονέκτημα είναι επίσης εμφανές στο ότι χρειάζεται επανεκπαίδευση μία φορά κάθε φορά που θυμάται ένα νέο δείγμα μοτίβο, το οποίο μπορεί να καταναλώσει περισσότερο χρόνο στην περίπτωση μεγαλύτερων διαστάσεων δικτύου. )Το μοντέλο του νευρωνικού δικτύου δημιουργείται προσαρμόζοντας τα βάρη των νευρώνων του αφού λάβει δεδομένα και οι μεταβλητές εισόδου του μοντέλου μπορούν να αλλάξουν ανάλογα με τις πραγματικές ανάγκες, όπως παράγοντες αγοράς και οικονομικούς δείκτες. Το μοντέλο του νευρωνικού δικτύου μπορεί να εκπαιδευτεί αυτόματα για να φιλτράρει τις καλύτερες μεταβλητές και να προσαρμόσει τα βάρη σύμφωνα με τις υπονοούμενες σχέσεις τους για να δημιουργήσει ένα μη γραμμικό μοντέλο και να βελτιώσει την ακρίβεια του μοντέλου. )χρησιμοποιείται η μέθοδος εκπαίδευσης για τη διόρθωση των βαρών του δικτύου με συνεχή τροφοδοσία δειγμάτων εκπαίδευσης, έτσι ώστε τα δείγματα μοτίβων που πρέπει να απομνημονεύονται να ενσωματώνονται στα βάρη του δικτύου. δηλαδή το δίκτυο «θυμάται» τα δείγματα. Είναι δυνατό να χρησιμοποιηθούν αλγεβρικές μέθοδοι για την άμεση επίλυση των βαρών, επειδή το δίκτυο έχει μεγάλο αριθμό ελκυστών και μπορεί να θυμηθεί μεγάλο αριθμό δειγμάτων, χρησιμοποιώντας τα δείγματα ως είσοδο, υποθέτοντας ότι η έξοδος είναι η επιθυμητή έξοδος, που αντιπροσωπεύει και τα δύο ως διανύσματα, και αντικατάστασή τους στις διαφορικές εξισώσεις του συστήματος, χρησιμοποιώντας τη γνώση της γραμμικής άλγεβρας για την επίλυση ενός συνόλου δικτύων βαρών, στη συνέχεια χρησιμοποιώντας άλλα δείγματα για εισαγωγή και, τέλος, επίλυση του αντίστοιχου αριθμού αναλυτικών λύσεων. )e τομή αυτών των αναλυτικών λύσεων είναι το δίκτυο βαρών που πρέπει να προσδιοριστεί εάν αυτές οι λύσεις δεν τέμνονται. )en, σημαίνει ότι η χωρητικότητα μνήμης του δικτύου δεν είναι επαρκής και ένα νέο μοντέλο πρέπει να επανασχεδιαστεί για να διασφαλιστεί ότι έχει επαρκή χωρητικότητα μνήμης [18]. Στη συνέχεια, θα δοθεί ένα παράδειγμα του σχεδιασμού της συσχετιστικής μνήμης, όπως φαίνεται στο Σχήμα 1 για ένα παράδειγμα της διαδικασίας συσχετιστικής μνήμης.

όπου x∗ i xi∗ είναι το σταθερό σημείο ισορροπίας του συστήματος με το i-ο σύνολο δειγμάτων ως είσοδο, και αυτή η τιμή επιλέγεται σύμφωνα με συνθήκες όπως η μορφή της συνάρτησης ενεργοποίησης. Μια επαρκής προϋπόθεση για να έχει λύση αυτή η εξίσωση είναι ότι ο αριθμός των σταθερών σημείων ισορροπίας του νευρωνικού δικτύου είναι μεγαλύτερος ή ίσος με τον αριθμό των δειγμάτων που πρέπει να απομνημονευθούν από την αξίωση. Δηλαδή, ο αριθμός των ελκυστών θα πρέπει να είναι αρκετά μεγάλος ώστε να μπορεί να θυμάται επαρκή αριθμό μοτίβων. )e εξίσωση μπορεί να λυθεί χρησιμοποιώντας την αποσύνθεση μοναδικών τιμών, η λύση της εξίσωσης είναι επίσης το διάνυσμα των βαρών σύνδεσης του δικτύου και αυτά τα βάρη υποδηλώνουν πληροφορίες σχετικά με τα μοτίβα που πρέπει να θυμόμαστε. ) Η παραπάνω φόρμα είναι γενικά μια αυτοσυνδεόμενη διαδικασία επίλυσης βάρους μνήμης που μπορεί να εφαρμοστεί ειδικά στα πεδία της αναγνώρισης χαρακτήρων, της αναγνώρισης προσώπου κ.λπ.) θα δοθούν παραδείγματα για την απεικόνιση του σχεδιασμού και της διαδικασίας επίλυσης βάρους του επαναλαμβανόμενου νευρωνικού δικτύου -Βασισμένες εφαρμογές ετερο-συσχετιστικής μνήμης. Οι παραδοσιακοί αλγόριθμοι αναγνώρισης χαρακτήρων περιλαμβάνουν αντιστοίχιση προτύπων και OCR [19]. Για μη ισορροπημένα δεδομένα δειγμάτων, μπορείτε να ξεκινήσετε με μεθόδους μείωσης και ανοδικής δειγματοληψίας. )e μέθοδος μείωσης της δειγματοληψίας, γνωστή και ως μέθοδος τυχαίας μείωσης δειγματοληψίας, αναφέρεται στην τυχαία αφαίρεση της κατηγορίας δεδομένων με τις περισσότερες κατηγορίες με τη μέθοδο δειγματοληψίας. ) Το πλεονέκτημα είναι ότι η μέθοδος δειγματοληψίας μπορεί να βελτιώσει την ακρίβεια του μοντέλου όταν τα διαγραμμένα δείγματα περιέχουν θορυβώδη δεδομένα και το μειονέκτημα είναι ότι ορισμένα σημαντικά δείγματα μπορεί να διαγραφούν. Η μέθοδος υπερδειγματοληψίας αναφέρεται στη σύνθεση ενός μέρους μικρών δειγματοληπτικών δεδομένων με έναν αλγόριθμο. Σε σύγκριση με αυτούς τους αλγόριθμους αναγνώρισης χαρακτήρων, η συσχετιστική μνήμη επαναλαμβανόμενου νευρωνικού δικτύου που αναφέρεται παραπάνω χαρακτηρίζεται από χαμηλό κόστος σχεδίασης, απλή λογική επεξεργασίας, γρήγορη σύγκλιση δικτύου, λιγότερη εξάρτηση από εξωτερικές συνθήκες και εύκολη πρακτική εφαρμογή. ) Το πιο σημαντικό σημείο είναι ότι αυτό το σύστημα συσχετιστικής μνήμης έχει καλή απόδοση ανοχής σφαλμάτων. υψηλή ανοχή σφαλμάτων σημαίνει ότι όταν υπάρχει περισσότερος θόρυβος ή διαταραχή στο δείγμα, μπορεί επίσης να αναγνωρίσει σωστά το μοτίβο στόχο, οπότε εάν αυτή η μέθοδος συσχετιστικής μνήμης εφαρμοστεί στην αναγνώριση εικόνας, αν και η τρέχουσα εφαρμογή είναι απλή και η ιδέα είναι πιο βασική, μετά από λίγη εξέλιξη, πιστεύω ότι θα έχει κάποια χρήση. Τα βήματα σχεδιασμού επαναλαμβανόμενων νευρωνικών δικτύων για συσχετιστική μνήμη συνοψίζονται ως εξής.

(1) Προσδιορίστε τα χαρακτηριστικά του μοντέλου του νευρωνικού δικτύου που θα χρησιμοποιηθεί

(2) Μετατρέψτε τα μοτίβα που θα απομνημονευθούν σε διανύσματα ως εισόδους στο σύστημα καθώς και σε εξόδους που θα αντικατασταθούν στις εξισώσεις του συστήματος

(3) ) Η λύση στο σύστημα των εξισώσεων λαμβάνεται με την κατάλληλη επιλογή των συντεταγμένων του σημείου ισορροπίας και με την αποσύνθεση της μοναδικής τιμής

(4) Αποθηκεύστε τις λύσεις του συστήματος των εξισώσεων ως τα βάρη του νευρωνικού δικτύου

(5) Δημιουργήστε ένα σύστημα νευρωνικών δικτύων συσχετιστικής μνήμης και εκτελέστε δοκιμές αναγνώρισης.

Το κύκλωμα επαναδιαμορφώσιμου αμνησιακού δικτύου που βασίζεται σε συσχετιστική μνήμη αποτελείται από τέσσερα μέρη: το κύκλωμα συγγενούς αμνηστικού δικτύου που βασίζεται σε μνήμη, το PRMC με δυαδικά σήματα εισόδου, το μπλοκ συναπτικού κυκλώματος και το κύκλωμα ελέγχου. Στο κύκλωμα αμνηστικού δικτύου που βασίζεται σε συσχετιστική μνήμη, τα συναπτικά βάρη υποδεικνύουν την ισχύ των συναπτικών συνδέσεων και επομένως μόνο τα θετικά βάρη. )e PRMC του δυαδικού σήματος εισόδου μπορεί να εκπαιδευτεί μόνο από τον αλγόριθμο για την επίτευξη της αντίστοιχης συνάρτησης, επομένως το συναπτικό κύκλωμα πρέπει να αντιπροσωπεύει αρνητικά βάρη, μηδενικά βάρη και θετικά βάρη. Στο κύκλωμα αναδιαμορφώσιμου μιμητικού νευρωνικού δικτύου που βασίζεται σε συσχετιστική μνήμη, το PRMC με δυαδικά σήματα εισόδου και το κύκλωμα μιμητικού νευρωνικού δικτύου συσχετιστικής μνήμης χρησιμοποιεί το ίδιο συναπτικό κύκλωμα και το συναπτικό κύκλωμα στο κύκλωμα μιμητικού νευρωνικού δικτύου συσχετιστικής μνήμης περιορίζεται να ποικίλλει εντός των θετικών βαρών από ένα κύκλωμα ελέγχου [20]. Τα συναπτικά κυκλώματα στο μπλοκ συναπτικού κυκλώματος είναι κοινόχρηστα και αυτά τα συναπτικά κυκλώματα μπορούν να χρησιμοποιηθούν για την κατασκευή και των δύο PRMC με δυαδικά σήματα εισόδου και των συσχετιστικών κυκλωμάτων μεμετικών νευρωνικών δικτύων που βασίζονται σε μνήμη. Όπως φαίνεται στο Σχήμα 2, τα δύο υποδίκτυα λειτουργούν ανεξάρτητα, ώστε να μπορούν να λειτουργούν παράλληλα.

Με την προσομοίωση της μάθησης και της λήθης στη συσχετιστική μνήμη, το αναδιαμορφώσιμο κύκλωμα νευρικού δικτύου memristor που βασίζεται στη συσχετιστική μνήμη μπορεί να αλλάξει δυναμικά τη δομή του κυκλώματος για να επιτύχει επαναδιαμόρφωση, που αντιστοιχεί στην ακόλουθη διαδικασία: όταν το σήμα άνευ όρων ερεθίσματος και το σήμα ρυθμισμένου ερεθίσματος εισάγονται ταυτόχρονα στο Το κύκλωμα νευρικού δικτύου memristor βασίζεται στη συνειρμική μνήμη, προκαλείται συνειρμική μάθηση μεταξύ των δύο, έτσι ώστε το συναπτικό βάρος που αντιστοιχεί στο εξαρτημένο ερέθισμα σταδιακά να αυξάνεται. Αφού ολοκληρωθεί η διαδικασία εκμάθησης, εάν το ρυθμισμένο σήμα ερεθίσματος διατηρείται ως είσοδος, προκαλείται η διαδικασία λήθης. Κατά τη διάρκεια της λήθης, το συναπτικό βάρος που αντιστοιχεί στο ρυθμισμένο ερέθισμα σταδιακά μειώνεται μέχρι να αποτύχει να ενεργοποιήσει το αντίστοιχο νευρωνικό κύκλωμα. Μετά το τέλος της διαδικασίας λήθης, τα κυκλώματα του συνειρμικού αμνησιακού δικτύου που βασίζεται στη μνήμη δεν ενεργοποιούνται ανεξάρτητα από το εάν το ρυθμισμένο σήμα ερεθίσματος είναι είσοδος [21]. Στη συνέχεια, τα συναπτικά κυκλώματα που αντιστοιχούν στο ρυθμισμένο ερέθισμα μπορούν να αποσυνδεθούν από τα νευρωνικά κυκλώματα και αυτά τα συναπτικά κυκλώματα μπορούν να τροφοδοτηθούν στο μπλοκ συναπτικού κυκλώματος. Τα συναπτικά κυκλώματα στο μπλοκ συναπτικού κυκλώματος μπορούν να χρησιμοποιηθούν για την κατασκευή κυκλωμάτων αμνησιακών δικτύων PRMC ή συσχετιστικής μνήμης με δυαδικά σήματα εισόδου. Με αυτόν τον τρόπο επιτυγχάνεται επαναδιαμόρφωση του κυκλώματος.

4. Ένα μοντέλο πρόβλεψης κινδύνου βασισμένο σε νευρωνικό δίκτυο με συνειρμική μνήμη για εταιρική οικονομική διαχείριση

Ο χρηματοοικονομικός κίνδυνος είναι ένας τύπος επιχειρηματικού κινδύνου που υπάρχει σε χρηματοοικονομικές δραστηριότητες όπως η άντληση, η επένδυση, η δαπάνη, η ανάκτηση και η κατανομή δραστηριοτήτων κεφαλαίων στη διαδικασία κοινωνικής αναπαραγωγής. Και ο κίνδυνος είναι η απόκλιση των προσδοκιών από την πραγματικότητα. ) Υπάρχει διάκριση μεταξύ χρηματοοικονομικού κινδύνου με στενή και ευρεία έννοια. Ο χρηματοοικονομικός κίνδυνος με τη στενή έννοια αναφέρεται στον χρηματοοικονομικό κίνδυνο που προκύπτει από τη λειτουργία του χρέους κατά τη διαδικασία άντλησης κεφαλαίων για την επιχείρηση. Ο χρηματοοικονομικός κίνδυνος με την ευρεία έννοια αναφέρεται στην αβεβαιότητα απόκτησης των αναμενόμενων οικονομικών αποτελεσμάτων στη διαδικασία διεξαγωγής των χρηματοοικονομικών δραστηριοτήτων της επιχείρησης. ) Επομένως, ο χρηματοοικονομικός κίνδυνος υπάρχει σε κάθε επιχείρηση και στις επιχειρηματικές δραστηριότητες της επιχείρησης και έχει σημαντική επίδραση στην κατάσταση κερδών και ζημιών και στις επιχειρηματικές συνθήκες της επιχείρησης. Η διαχείριση χρηματοοικονομικού κινδύνου είναι η πρόληψη, ο έλεγχος και η διαχείριση του κινδύνου στη χρηματοοικονομική διαχείριση της επιχείρησης και αποτελεί επίσης μέρος της ολοκληρωμένης διαχείρισης επιχειρηματικού κινδύνου [22]. Η εσωτερική διάγνωση είναι ένας τρόπος για την ίδια την επιχείρηση να ανακαλύψει διάφορα προβλήματα στην επιχειρηματική διαδικασία μέσω αυτοανάλυσης και τελικά να τα λύσει με στοχευμένο τρόπο. Εξωτερική διάγνωση σημαίνει ότι η επιχείρηση προσλαμβάνει έναν εξωτερικό οργανισμό τρίτου μέρους για την ανάλυση της οικονομικής λειτουργίας της επιχείρησης. Ως νέα θεωρία της επιστήμης της διαχείρισης, είναι μια θεωρία διαχείρισης που αναπτύχθηκε κυρίως από μελετητές σύμφωνα με προηγούμενη εμπειρία στη διαχείριση κινδύνων και τη χρηματοοικονομική διαχείριση για κάθε είδους κινδύνους στη λειτουργία των επιχειρήσεων. Η διαχείριση χρηματοοικονομικού κινδύνου περιλαμβάνει τον προσδιορισμό, την αξιολόγηση, την ανάλυση των αιτιών και τον έλεγχο των διαφόρων χρηματοοικονομικών δραστηριοτήτων της επιχείρησης. Για τη διασφάλιση της κανονικής λειτουργίας και της κίνησης κεφαλαίων της επιχείρησης και για την αποφυγή αρνητικών επιπτώσεων στα οικονομικά συμφέροντα της επιχείρησης, η διαδικασία διαχείρισης της διαχείρισης χρηματοοικονομικού κινδύνου περιλαμβάνει εντοπισμό κινδύνου, εκτίμηση, ανάλυση των αιτιών και έλεγχο διαφόρων χρηματοοικονομικών δραστηριοτήτων της επιχείρησης. και έγκαιρα και αποτελεσματικά μέτρα πρόληψης και ελέγχου βάσει του ρόλου της έγκαιρης προειδοποίησης.

) Οι πιο συχνά χρησιμοποιούμενες μέθοδοι για την αξιολόγηση χρηματοοικονομικού κινδύνου περιλαμβάνουν την ιεραρχική ανάλυση, τη μέθοδο παραγόντων αποτελεσματικότητας και την ανάλυση παραγόντων. ) Η βασική αρχή της παραγοντικής ανάλυσης είναι η ομαδοποίηση δεικτών με μεγάλη συνάφεια σε μία κατηγορία και η αντικατάσταση κάθε κατηγορίας με έναν παράγοντα, αντικαθιστώντας έτσι όλους τους αρχικούς δείκτες με μερικούς παράγοντες.

Σε αυτή την εργασία, η ανάλυση της πρόβλεψης κινδύνου εταιρικής οικονομικής διαχείρισης πραγματοποιείται συνδυάζοντας το μοντέλο νευρωνικών δικτύων συσχετιστικής μνήμης με ανάλυση παραγόντων. Η παραγοντική ανάλυση επιλέγεται για τους ακόλουθους λόγους: πρώτον, η παραγοντική ανάλυση μπορεί να μειώσει τον αριθμό των αρχικών μεταβλητών, εξάγοντας και ονομάζοντας τους κύριους παράγοντες αντί της συντριπτικής πλειοψηφίας των αρχικών πληροφοριών. Δεύτερον, το δείγμα μπορεί να ταξινομηθεί και να συγκριθεί. Σύμφωνα με τη βαθμολογία κάθε κύριου παράγοντα και τη συνολική βαθμολογία, το δείγμα μπορεί να ταξινομηθεί, το οποίο όχι μόνο δείχνει την κατάταξη μεμονωμένων παραγόντων και διευκρινίζει ποιοι παράγοντες έχουν μεγαλύτερο αντίκτυπο στην οικονομική κατάσταση της επιχείρησης, αλλά και αναλύει τη συνολική κατάταξη των τους παράγοντες μετά τη στάθμιση, που είναι επωφελές για την επιχείρηση να διευκρινίσει τα δυνατά και τα αδύνατα σημεία της [23].

(6) Ένα νευρωνικό δίκτυο συσχετιστικής μνήμης δημιουργείται με βάση ένα μοντέλο δέντρου αποφάσεων χρησιμοποιώντας έναν αλγόριθμο ιστογράμματος που διευκολύνει τον διαχωρισμό των δεδομένων. Η διαφορά από τα προηγούμενα μοντέλα δέντρων αποφάσεων είναι ότι το νευρωνικό δίκτυο της συσχετιστικής μνήμης είναι προσανατολισμένο κατακόρυφα, δηλαδή, δημιουργεί τα φύλλα του δέντρου αποφάσεων, ενώ άλλα μοντέλα δέντρων αποφάσεων δημιουργούν τα επίπεδα του δέντρου, οπότε εκτελείται ο αλγόριθμος δικτύου Emory ral πιο γρήγορα και αποθηκεύει λιγότερα δεδομένα. Το κύριο χαρακτηριστικό του είναι να διασχίζει ολόκληρο το σετ εκπαίδευσης και να κάνει τα χαρακτηριστικά διακριτά για συνεχείς μεταβλητές κινητής υποδιαστολής. Αυτά τα k διακριτά δεδομένα κατασκευάζονται σε ένα ιστόγραμμα με συγκεκριμένο πλάτος k. ) Υπολογίζεται ο αριθμός των διακριτών τιμών που συγκλίνουν σε κάθε ιστόγραμμα. Δεδομένου ότι υπάρχουν πολλές συνιστώσες του χρηματοοικονομικού κινδύνου, διάφοροι παράγοντες και οικονομικοί δείκτες θα αλληλεπιδράσουν μεταξύ τους για να σχηματίσουν μια περίπλοκη σχέση. Σε αυτό το έγγραφο, εξάγονται οι σχετικοί δείκτες, οι παράγοντες εξάγονται με δοκιμή σημασίας και παράγοντες κατάλληλοι για τη δημιουργία μοντέλου λαμβάνονται με δοκιμή σφαιρικότητας, εξαγωγή κύριου συστατικού και άλλα βήματα.

Με βάση τους ληφθέντες παράγοντες, το λογιστικό μοντέλο της σταδιακής παλινδρόμησης χρησιμοποιείται για τη μοντελοποίηση της οικονομικής έγκαιρης προειδοποίησης. ) Η διαδικασία μοντελοποίησης αναλύει σταδιακά τους παράγοντες σύνθεσης κινδύνου, χρησιμοποιώντας τα πλεονεκτήματα του μοντέλου για να παρέχει μια πιο διαισθητική βάση για τη μελλοντική λήψη αποφάσεων των διευθυντών. )οι επιλεγμένοι δείκτες έγκαιρης προειδοποίησης πρέπει να είναι ολοκληρωμένοι. δηλαδή, οι δείκτες θα πρέπει να επιλέγονται από τις παραδοσιακές πτυχές της φερεγγυότητας, της κερδοφορίας, της ικανότητας ανάπτυξης και της λειτουργικής ικανότητας και οι δείκτες θα πρέπει να επιλέγονται από τις πτυχές της ικανότητας έρευνας και ανάπτυξης που αντικατοπτρίζουν τα χαρακτηριστικά του κλάδου, καθιστώντας το φάσμα των δεικτών που επιλέγονται για η βιομηχανία κατασκευής εξοπλισμού επικοινωνίας πιο ολοκληρωμένη. ) η εταιρεία επενδύει κεφάλαια στην παραγωγή προϊόντων και ανακτά το κεφάλαιο και τα κέρδη μέσω των πωλήσεων των προϊόντων. Ο κύκλος εργασιών του αποθέματος μπορεί να αυξηθεί μόνο εάν οι πωλήσεις είναι επιτυχείς και το απόθεμα εκκαθαριστεί γρήγορα, επομένως ο κύκλος εργασιών του αποθέματος υποδεικνύει πόσο γρήγορα μπορούν να ανακτηθούν τα χρήματα από την πώληση αγαθών. Γενικά, μια εταιρεία μπορεί να βελτιώσει τη ρευστότητά της αυξάνοντας τον κύκλο εργασιών των αποθεμάτων της. )ο δείκτης κύκλου εργασιών αποθέματος υποδηλώνει το επίπεδο των αποθεμάτων, ενώ ο δείκτης κύκλου εργασιών του κυκλοφορούντος ενεργητικού αντανακλά την ταχύτητα του κύκλου εργασιών των κυκλοφορούντων περιουσιακών στοιχείων, η οποία είναι η πιο ρευστή από όλα τα περιουσιακά στοιχεία μιας εταιρείας. Ένα χαμηλότερο επίπεδο κύκλου εργασιών κυκλοφορούντος ενεργητικού μπορεί να έχει μεγαλύτερο αντίκτυπο στη βραχυπρόθεσμη ικανότητα αποπληρωμής μιας επιχείρησης. ) Όσο υψηλότερος είναι ο δείκτης κύκλου εργασιών του κυκλοφορούντος ενεργητικού, τόσο χαμηλότερος είναι ο σχετικός κίνδυνος χρηματοοικονομικής ρευστότητας. Ένας αργός ρυθμός κύκλου εργασιών θα απαιτήσει συμπληρωματική ρευστότητα για τη συμμετοχή στον κύκλο εργασιών, η οποία θα δημιουργήσει σπατάλη κεφαλαίων και θα μειώσει την κερδοφορία της επιχείρησης. Με βάση την παραπάνω θεωρία, στην επόμενη ταξινόμηση, το βέλτιστο σημείο αποκοπής μπορεί να βρεθεί μόνο σύμφωνα με το πλάτος του ιστογράμματος. )Η ιδέα του αλγορίθμου ιστογράμματος αντικατοπτρίζεται κυρίως στη μετατροπή δεδομένων κινητής υποδιαστολής σε δυαδικά δεδομένα και η συγκεκριμένη λειτουργία είναι ο προσδιορισμός του αριθμού των κουβάδων που περιέχονται σε κάθε χαρακτηριστικό, η ενημέρωση των δεδομένων κάθε κάδου χωριστά μετά από ίση διαίρεση και αντικαταστήστε τα χαρακτηριστικά της πρόβλεψης κινδύνου οικονομικής διαχείρισης της επιχείρησης στο μοντέλο νευρωνικών δικτύων συσχετιστικής μνήμης, το οποίο αναπαρίσταται γραφικά όπως φαίνεται στο Σχήμα 3.

3. Σε σύγκριση με άλλα μοντέλα που βασίζονται σε αλγόριθμους δέντρων αποφάσεων, τα νευρωνικά δίκτυα συσχετιστικής μνήμης είναι ταχύτερα κυρίως από την άποψη της ταχύτητας λειτουργίας, ενώ καταναλώνουν λιγότερη μνήμη και η ακρίβεια δεν διακυβεύεται, συνδυάζοντας τέλεια και το πόδι του ψαριού και της αρκούδας. Με την επιθυμία να μεταβείτε στο επόμενο επίπεδο, το μοντέλο μπορεί να βελτιστοποιηθεί με τους εξής δύο τρόπους: για να επιταχυνθεί η ταχύτητα λειτουργίας, το πρωτότυπο μπορεί απλά να υποβληθεί σε επεξεργασία. Η μείωση του αριθμού των χαρακτηριστικών και των δεδομένων, η μετατροπή μεταβλητών χαρακτηριστικών σε χαρακτηριστικά κατηγορίας ή η αποθήκευση των αρχείων δεδομένων ως δυαδικά αρχεία, η αλλαγή της μεθόδου εκπαίδευσης του μοντέλου σε παράλληλη μπορεί επίσης να επιταχύνει την ταχύτητα λειτουργίας του μοντέλου. για τη βελτίωση της ακρίβειας του μοντέλου και τη μείωση του ρυθμού εκμάθησης του μοντέλου, ξεκινώντας από το μοντέλο, συντονίζοντας τις παραμέτρους του μοντέλου, επιλέγοντας τον καλύτερο συνδυασμό παραμέτρων, αυξάνοντας τους χρόνους εκμάθησης του μοντέλου και κάνοντας το μοντέλο να κατανοήσει καλύτερα τους νόμους μεταξύ των δεδομένων μπορεί να βελτιώσει την ακρίβεια του μοντέλου. Ξεκινώντας με τα δεδομένα, η αύξηση του αριθμού των δεδομένων εκπαίδευσης και η προεπεξεργασία των δεδομένων για την επίλυση των τιμών που λείπουν και της ανισορροπίας στα αρχικά δεδομένα μπορεί επίσης να εκπαιδεύσει καλύτερα το μοντέλο και να βελτιώσει την απόδοση του μοντέλου.

4.1. Πειραματική Επαλήθευση και Συμπεράσματα

) Θα εκπαιδευτεί το μοντέλο δέντρου απόφασης CART με σχεδιασμό προκλαδέματος και μετά το κλάδεμα και το γράφημα του δέντρου αποφάσεων και το γράφημα μεταβλητής σημασίας θα δημιουργηθούν μετά την εκπαίδευση του μοντέλου για την καλύτερη ερμηνεία των αποτελεσμάτων διάκρισης του μοντέλου δέντρου αποφάσεων CART. Πρώτον, κατασκευάζονται τα διακριτικά αποτελέσματα και το σύνολο κανόνων του συνολικού μοντέλου αξιολόγησης χρηματοοικονομικού κινδύνου της επιχείρησης. Επειδή υπάρχουν πάρα πολλές αξίες χαρακτηριστικών αξιολόγησης στη συνολική εκτίμηση χρηματοοικονομικού κινδύνου της επιχείρησης, το γράφημα μεταβλητής σημασίας στη συνολική εκτίμηση χρηματοοικονομικού κινδύνου της επιχείρησης λαμβάνει τις 5 κορυφαίες μεταβλητές σημασίας και το συνολικό μοντέλο αξιολόγησης οικονομικού κινδύνου της επιχείρησης δημιουργεί το γράφημα μεταβλητής σημασίας όπως φαίνεται στο σχήμα 4.

Όπως φαίνεται από το Σχήμα 4, μεταξύ των 18 χαρακτηριστικών του μοντέλου δέντρου αποφάσεων CART, «πολλαπλάσιοι τόκοι», «συνολική απόδοση περιουσιακών στοιχείων», «κύκλος εισπρακτέων λογαριασμών», «συνολικός κύκλος ενεργητικού» και «σταθμισμένη απόδοση των καθαρών περιουσιακών στοιχείων " κατέταξε την πρώτη πεντάδα σε σημασία, με το "interest gained multiple" να είναι ο πιο σημαντικός δείκτης με τη σημασία πάνω από 0.5. Η λειτουργική ικανότητα αντικατοπτρίζει την αποδοτικότητα και την αποτελεσματικότητα της κεφαλαιακής λειτουργίας μιας επιχείρησης με διαφορετικά περιουσιακά στοιχεία και η αποδοτικότητα κύκλου εργασιών διαφορετικών τύπων περιουσιακών στοιχείων χρησιμοποιείται συνήθως για τον προσδιορισμό του λειτουργικού επιπέδου μιας επιχείρησης. υποδηλώνει ότι οι επιχειρήσεις πρέπει να επικεντρωθούν σε "πολλαπλάσιους τόκους κερδών" όταν αξιολόγηση του συνολικού χρηματοοικονομικού κινδύνου και το άθροισμα των πέντε κορυφαίων βαθμολογιών σπουδαιότητας υπερβαίνει το 90%· Ως εκ τούτου, υποδηλώνει επίσης ότι οι εισηγμένες εταιρείες θα πρέπει να επικεντρωθούν σε αυτά τα πέντε χαρακτηριστικά δεικτών στη διαδικασία αξιολόγησης του συνολικού χρηματοοικονομικού κινδύνου των επιχειρήσεων. ) η ερμηνεία του συνόλου κανόνων που δημιουργείται από το μοντέλο δέντρου αποφάσεων θα παρέχει ποσοτικά στοιχεία για την εισηγμένη εταιρεία για την αξιολόγηση του συνολικού χρηματοοικονομικού κινδύνου της εταιρείας, που θα βοηθήσει την εισηγμένη εταιρεία να μετρήσει εάν έχει συνολικό χρηματοοικονομικό κίνδυνο.

) 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, η επιχείρηση δεν έχει χρηματοοικονομικό κίνδυνο. ) η ερμηνεία του συνόλου κανόνων που δημιουργείται από το μοντέλο δέντρου αποφάσεων θα παρέχει στην εισηγμένη εταιρεία ποσοτικά στοιχεία για την αξιολόγηση του βαθμού επιχειρηματικού κινδύνου της εταιρείας, τα οποία θα βοηθήσουν την εισηγμένη εταιρεία να μετρήσει εάν έχει επιχειρηματικό κίνδυνο.

)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, η εταιρεία δεν βρίσκεται σε κίνδυνο. ) η ερμηνεία του συνόλου κανόνων που δημιουργείται από το μοντέλο δέντρου αποφάσεων θα παρέχει στην εισηγμένη εταιρεία ποσοτικά στοιχεία για την αξιολόγηση του επιπέδου του κινδύνου χρηματοδότησης της εταιρείας, τα οποία θα βοηθήσουν την εισηγμένη εταιρεία να μετρήσει εάν έχει κίνδυνο χρηματοδότησης.

Από το Σχήμα 7, φαίνεται ότι το μοντέλο αυτής της εργασίας που βασίζεται σε ένα νευρωνικό δίκτυο συσχετιστικής μνήμης επιτυγχάνει 83% ακρίβεια για το διακριτικό αποτέλεσμα του συνόλου εκπαίδευσης και 76% ακρίβεια για το σύνολο επικύρωσης, το οποίο είναι καλύτερο αποτέλεσμα. Ταυτόχρονα, αυτή η εργασία συνδύασε το μοντέλο GBDT με το μοντέλο λογιστικής παλινδρόμησης για τη συνδυασμένη πρόβλεψη και τα αποτελέσματα πρόβλεψης έδειξαν ότι το συνδυασμένο μοντέλο βελτίωσε την ακρίβεια πρόβλεψης του συνόλου εκπαίδευσης στο 91% και το σύνολο επικύρωσης στο 78%, στο όρους ακρίβειας και σταθερότητας· η προειδοποίηση συνδυασμένου μοντέλου είναι πιο σημαντική σε σύγκριση με το μεμονωμένο μοντέλο, επομένως αποδεικνύει τη σκοπιμότητα του συνδυασμένου μοντέλου. Σε σύγκριση με το μοντέλο λογιστικής παλινδρόμησης ενός μοντέλου, η καμπύλη ROC του μοντέλου προειδοποίησης οικονομικού κινδύνου παλινδρόμησης του μοντέλου νευρωνικών δικτύων συσχετιστικής μνήμης είναι πιο κοντά στον άνω αριστερό άξονα και η τιμή AUC της είναι 0.79, η οποία είναι σημαντικά υψηλότερη από την τιμή AUC του μοντέλου λογιστικής παλινδρόμησης 0.60. ) Τα πλεονεκτήματα του μοντέλου προειδοποίησης οικονομικού κινδύνου νευρωνικών δικτύων συσχετιστικής μνήμης μπορούν να φανούν απευθείας από την καμπύλη ROC και την τιμή AUC. Από το πείραμα, μπορεί να συναχθεί το συμπέρασμα ότι το GBDT για συνδυασμό χαρακτηριστικών μπορεί να εξορύξει καλύτερα τις πληροφορίες στα οικονομικά δεδομένα των εισηγμένων εταιρειών και το λογιστικό μοντέλο έχει γρήγορη ταχύτητα επεξεργασίας, η οποία μπορεί να λύσει το πρόβλημα της αργής ταχύτητας επεξεργασίας που δεν μπορεί να επεξεργαστεί το GBDT Παράλληλα, και το μοντέλο που συνδυάζεται με το GBDT και το λογιστικό μοντέλο μπορεί να χρησιμοποιηθεί αποτελεσματικά στον τομέα της έγκαιρης προειδοποίησης χρηματοοικονομικού κινδύνου των εισηγμένων εταιρειών για μοντελοποίηση.

Ο) ρυθμός ηλεκτρονικής μάθησης είναι ο ρυθμός με τον οποίο ενημερώνονται οι μεταβλητές εισόδου σε κάθε επανάληψη κατά τη διάρκεια της προπόνησης και καθορίζει πόσο μακριά πρέπει να κινηθούν τα βάρη προς την κατεύθυνση της κλίσης σε μια μικρή παρτίδα, μέσω πολλών επαναλήψεων, και τελικά να μετακινηθούν σε μια θέση που ταιριάζει με την ακρίβεια εκπαίδευσης του δικτύου. ) Η διαδικασία εκμάθησης των χαρακτηριστικών ενός δείγματος δεδομένων από ένα νευρωνικό δίκτυο συσχετιστικής μνήμης είναι η διαδικασία συνεχούς επανάληψης προς τα εμπρός. Ένα χαμηλότερο ποσοστό εκμάθησης καθιστά τη διαδικασία εκπαίδευσης πιο αξιόπιστη, αλλά η βελτιστοποίηση θα διαρκέσει περισσότερο. Τα υψηλότερα ποσοστά μάθησης, από την άλλη πλευρά, οδηγούν σε μη σύγκλιση της προπόνησης και μπορεί να προκαλέσουν πολύ μεγάλες αλλαγές βάρους, καθιστώντας τη λειτουργία απώλειας πολύ κακή. Η βελτιστοποίηση του ρυθμού πολλαπλασιασμού μήτρας και η βελτίωση της χρήσης μνήμης μπορούν να επιτευχθούν αυξάνοντας τον αριθμό των παρτίδων σε μια συγκεκριμένη περιοχή, γεγονός που μειώνει τον αριθμό των ενημερώσεων που απαιτούνται για την ολοκλήρωση της εκπαίδευσης ολόκληρου του συνόλου δεδομένων και επιταχύνει κάπως τη διαδικασία για δεδομένα της ίδιας χωρητικότητα. Η στοχαστική κλίση κατάβασης ενημερώνει μόνο ένα δείγμα e πληροφορίας κάθε φορά, γεγονός που επιταχύνει την εκπαίδευση, αλλά επειδή χρησιμοποιείται μόνο ένα δείγμα κάθε φορά, δεν αντιπροσωπεύει ολόκληρο το δείγμα προπόνησης, καθιστώντας πιο δύσκολη τη σύγκλιση των αποτελεσμάτων της εκπαίδευσης σε ορισμένα ελάχιστη τιμή. Για να επιτύχει μια εταιρεία βιώσιμη ανάπτυξη, πρέπει να αποδίδει μεγάλη σημασία στις δυνατότητες Ε&Α και καινοτομίας της. Μόνο με συνεχή καινοτομία και συνεχείς εφευρέσεις μπορεί μια εταιρεία να αποκτήσει ανταγωνιστικό πλεονέκτημα. Με την ανάπτυξη της βαθιάς μάθησης, αποδείχθηκε ότι τα αποτελέσματα της εκπαίδευσης μπορούσαν να μετατραπούν σε τοπικό ελάχιστο μειώνοντας αργά τον ρυθμό μάθησης. Μετά από πολλές φορές προσαρμογή των παραμέτρων, τελικά ελήφθησαν τα αναμενόμενα αποτελέσματα εκπαίδευσης και το μέσο απόλυτο σφάλμα του μοντέλου στα δείγματα κατά τη διάρκεια της εκπαίδευσης τελικά συνέκλινε. ) Οι καμπύλες απώλειας e για το σύνολο δεδομένων δείγματος φαίνονται στο Σχήμα 8.) Η μπλε γραμμή στο σχήμα αντιπροσωπεύει την καμπύλη απώλειας συνόλου εκπαίδευσης και η πορτοκαλί γραμμή την καμπύλη απώλειας συνόλου δοκιμής. ο οριζόντιος άξονας παρουσιάζει τον αριθμό των επαναλήψεων των δειγμάτων στη διαδικασία εκπαίδευσης και ο κατακόρυφος άξονας παρουσιάζει τη μεταβολή της μέσης τιμής σφάλματος κατά τη διάρκεια της εκπαιδευτικής διαδικασίας.

Σύμφωνα με τις παραμέτρους που ορίζονται σε αυτό το άρθρο, το παράθυρο Spyder μπορεί να εμφανίσει τις απώλειες των δειγμάτων εκπαίδευσης και δοκιμής σε κάθε επανάληψη και να υπολογίσει το ριζικό μέσο τετραγωνικό σφάλμα του μοντέλου στο τέλος της εκπαίδευσης. Κατά τη διάρκεια της εκπαιδευτικής διαδικασίας, όσο περισσότερες επαναλήψεις, τόσο μικρότερο είναι το σφάλμα δειγματοληψίας, με τοπικές διακυμάνσεις σε μικρό εύρος. Στην αρχή της εκπαίδευσης, το σφάλμα πέφτει γρήγορα και στο διάστημα εκπαίδευσης από 10 έως 50 επαναλήψεις, το σφάλμα πέφτει με γρήγορο ρυθμό, υποδεικνύοντας ότι το μοντέλο ρυθμίζεται τοπικά. Από τις 100 επαναλήψεις εκπαίδευσης και μετά, το σφάλμα πέφτει πιο ήπια, υποδεικνύοντας ότι το μοντέλο έχει συγκλίνει σε μια βέλτιστη διαδικασία. ) Η τάση της καμπύλης απώλειας του δείγματος εκπαίδευσης και η αλλαγή απώλειας του δείγματος δοκιμής ενσωματώνονται και το σφάλμα του δείγματος εκπαίδευσης τελικά συγκλίνει με καλύτερη προσαρμογή. το σφάλμα του δείγματος δοκιμής συγκλίνει σε ένα τοπικό ελάχιστο και η προσαρμογή του δεν είναι τόσο καλή όσο αυτή του δείγματος εκπαίδευσης, αλλά το αποτέλεσμα της χρήσης κλίσης κατάβασης για βελτιστοποίηση είναι προφανές και δεν θα επηρεάσει την απόδοση ολόκληρου του μοντέλου.

Με βάση το μοντέλο νευρωνικών δικτύων συσχετιστικής μνήμης, το σύστημα δεικτών έγκαιρης προειδοποίησης που μπορεί να αντικατοπτρίζει τα χαρακτηριστικά κινδύνου εισηγμένων γεωργικών εταιρειών δημιουργείται συνδυάζοντας τα χαρακτηριστικά κινδύνου της εταιρείας και τις αιτίες δημιουργίας της: περιέχει χρηματοοικονομικούς και μη χρηματοοικονομικούς δείκτες που καλύπτουν τη φερεγγυότητα. , λειτουργική ικανότητα, αναπτυξιακή ικανότητα, κερδοφορία και άλλοι δείκτες ικανότητας. Για τη βελτίωση της ταχύτητας σύγκλισης και της σταθερότητας του μοντέλου, το λογισμικό SPSS χρησιμοποιείται για τη διεξαγωγή παραγοντικής ανάλυσης στα δεδομένα των πρωταρχικών επιλεγμένων δεικτών και τον υπολογισμό των βαθμολογιών παραγόντων των δειγμάτων ως δεδομένα επιπέδου εισόδου του μοντέλου. Με αυτόν τον τρόπο, προσδιορίζεται περαιτέρω η ακρίβεια του μοντέλου της οικονομικής κρίσης και επιλέγεται ένα μέρος του δείγματος για τη δοκιμή του μοντέλου. Τέλος, το μοντέλο εφαρμόζεται στην πραγματική εταιρεία για να εντοπίσει τα προβλήματά της και να τα βελτιστοποιήσει ώστε να μειωθεί η πιθανότητα οικονομικής κρίσης.

5. Συμπέρασμα

Τα μοντέλα νευρωνικών δικτύων συσχετιστικής μνήμης κατασκευάζονται γενικά με βάση δεδομένα σχετικά με τα χαρακτηριστικά του εν λόγω κλάδου για να κάνουν προβλέψεις σχετικά με διάφορες πτυχές των σημείων ζήτησης. Οι προβλέψεις μοντέλων νευρωνικών δικτύων συνειρμικής μνήμης δεν περιορίζονται μόνο σε προτιμήσεις καθημερινής ζωής, τρόφιμα, ρούχα, στέγαση κ.λπ. Σε συνδυασμό με τα χαρακτηριστικά του κλάδου και το ανταγωνιστικό τοπίο της εταιρείας, διαπιστώθηκε ότι το μοντέλο μπορεί να αντικατοπτρίζει καλά την κατάσταση της εταιρείας μέσω δεικτών έγκαιρης προειδοποίησης και να παρέχει μια αναφορά για τη μελλοντική ανάπτυξη της εταιρείας. Εάν εισαχθεί μόνο η προσαρμογή του μοντέλου δεδομένων των χρηματοοικονομικών δεικτών, θα είναι πολύ ενιαίο και δεν θα είναι σε θέση να κρίνει την κατάσταση της χρηματοδότησης συνολικά. Στη μελέτη, διαπιστώθηκε ότι ο αριθμός των δειγμάτων στην κατηγορία υψηλού οικονομικού κινδύνου ήταν πολύ μικρός σε σύγκριση με τα δείγματα στις κατηγορίες χαμηλού και μεσαίου οικονομικού κινδύνου και εάν τα δεδομένα του δείγματος δεν ήταν ισορροπημένα, θα μπορούσε να οδηγήσει στην έγκαιρη προειδοποίηση μοντέλο που δεν μαθαίνει τα χαρακτηριστικά των δειγμάτων στην κατηγορία υψηλού οικονομικού κινδύνου κατά τη διάρκεια της εκπαίδευσης, γεγονός που οδήγησε τελικά σε χαμηλή ακρίβεια πρόβλεψης των δειγμάτων αυτής της κατηγορίας.

Δεδομένου ότι παράγοντες όπως η σύνθεση της εταιρείας και τα ίδια κεφάλαια μπορούν επίσης να έχουν σημαντικό αντίκτυπο στα οικονομικά, αυτό το έγγραφο προσθέτει μη χρηματοοικονομικούς δείκτες για να βελτιώσει τη γενίκευση και την ακρίβεια του μοντέλου. Σήμερα, οι εταιρείες βρίσκονται σε ένα όλο και πιο περίπλοκο περιβάλλον αγοράς και κοινωνικές δραστηριότητες και η προσομοίωση μεγάλων δεδομένων με ποσοτικοποίηση των σχετικών δεικτών των εταιρειών του κλάδου μπορεί να αντικατοπτρίζει την τρέχουσα κατάσταση του κλάδου συνολικά και εκτενώς και η λογική συμπερίληψη ειδικών δεικτών μπορεί να βελτιώνουν επίσης την αποτελεσματικότητα του μοντέλου έγκαιρης προειδοποίησης. Συνδυάζοντας τους εταιρικούς δείκτες και το καθιερωμένο μοντέλο έγκαιρης προειδοποίησης, τα κύρια στοιχεία που μπορούν να προσδιοριστούν από το μοντέλο χρησιμοποιούνται για την ανάλυση της κατάστασης στην οποία προκύπτουν οι κίνδυνοι της εταιρείας, παρέχοντας απόψεις που ενσωματώνουν τα στοιχεία της εταιρείας Β. Χρησιμοποιώντας αυτήν την έγκαιρη οικονομική προειδοποίηση μοντέλο, μπορεί κανείς να προσαρμόσει τη δομή της εταιρείας, να κάνει στρατηγικό σχεδιασμό και πρόληψη κρίσεων εκ των προτέρων για τη μεταβαλλόμενη αγορά, να οργανώσει εκπαίδευση για οικονομικά ταλέντα έγκαιρης προειδοποίησης, να ενισχύσει την επικοινωνία μεταξύ των ταλέντων έγκαιρης προειδοποίησης οικονομικών και να εξασφαλίσει μια λογική μετοχική δομή για να αποφευχθεί η ύπαρξη μιας μετοχής. κυρίαρχο; Δεύτερον, μπορεί κανείς να βελτιώσει την κατασκευή πληροφοριών του χρηματοπιστωτικού συστήματος και να δημιουργήσει ένα σύνολο χρηματοοικονομικού συστήματος που θα ισχύει για την εταιρεία σε αυτή τη βάση. Ταυτόχρονα, θα πρέπει να συμμορφωνόμαστε με την επιλογή της αγοράς και η ανάπτυξη διαφοροποιημένων αγορών μπορεί να εξασφαλίσει τον ανταγωνισμό τους και ταυτόχρονα να επικεντρωθεί στην ποιότητα των προϊόντων.

βιβλιογραφικές αναφορές

[1] MA Fern ´ Mendez-G´ Gamez, JAC Soria, JAC Santos, and ´ D. Alaminos, "Ευρωπαϊκή ετερογένεια χωρών στην πρόβλεψη χρηματοοικονομικής δυσχέρειας: εμπειρική ανάλυση με μακροοικονομικούς και ρυθμιστικούς παράγοντες", Economic Modelling, τόμ. 88, σελ. 398–407, 2020.

[2] M. Meenu Sreedharan, AM Khedr και M. El Bannany, "A multi-layer perceptron προσέγγιση για την πρόβλεψη οικονομικής δυσχέρειας με γενετικό αλγόριθμο", Automatic Control and Computer Sciences, τομ. 54, αρ. 6, σελ. 475–482, 2020.

[3] X. Yan, W. Weihan και M. Chang, «Έρευνα για το μοντέλο πρόβλεψης συναλλαγών χρηματοοικονομικών περιουσιακών στοιχείων με βάση το νευρωνικό δίκτυο LSTM», Neural Computing and Applications, τομ. 33, αρ. 1, σελ. 257–270, 2021.

[4] M. Matsumaru, T. Kawanaka, S. Kaneko, and H. Katagiri, "Πρόβλεψη χρεοκοπίας για ιαπωνικές εταιρείες χρησιμοποιώντας μηχανή διανυσμάτων υποστήριξης, τεχνητό νευρωνικό δίκτυο και ανάλυση πολλαπλών μεταβλητών", International Journal of Industrial Engineering, τομ. 1, αρ. 1, σελ. 78–96, 2019.

[5] J. Sun, H. Li, H. Fujita, B. Fu, and W. Ai, "Class-imbalanced δυναμική οικονομική δυσπραγία πρόβλεψη με βάση το σύνολο adaboost-SVM συνδυασμένο με SMOTE και στάθμιση χρόνου," Information Fusion, τόμ. . 54, σελ. 128–144, 2020.

[6] J. Che, S. Zhao, Y. Li, and K. Li, "Bank telemarketing forecasting model based on t-SNE-SVM," Journal of Service Science and Management, vol. 13, αρ. 3, σελ. 435–448, 2020.

[7] A. Di Vaio, R. Palladino, R. Hassan, and O. Escobar, «Τεχνητή νοημοσύνη και επιχειρηματικά μοντέλα στην προοπτική των στόχων βιώσιμης ανάπτυξης: μια συστηματική ανασκόπηση βιβλιογραφίας», Journal of Business Research, τομ. 121, σελ. 283–314, 2020.

[8] PK Mitra και C. Banga, "Πρόβλεψη τιμών αργού αργού πετρελαίου στην Ινδία μέσω συγκριτικής προσέγγισης μοντέλων μηχανικής μάθησης", International Journal of Business Forecasting and Marketing Intelligence, τόμ. 5, αρ. 3, σελ. 249–266, 2019.

[9] G. Kumar, S. Jain και UP Singh, "Stock market forecasting using computational intelligence: a research," Archives of Computational Methods in Engineering, vol. 28, αρ. 3, σελ. 1069–1101, 2021.

[10] K. Lu, Y. Lyu, X. Li, and Y. Zhang, "Μια νέα μέθοδος για την αξιολόγηση της ανάπτυξης του πληροφοριακού συστήματος των ΜΜΕ με βάση το βελτιωμένο νευρωνικό δίκτυο BP," Information Systems and E-Business Management, τομ. 18, αρ. 4, σελ. 779–792, 2020.

[11] BS Kumar, V. Ravi και R. Miglani, «Πρόβλεψη ινδικού χρηματιστηρίου χρησιμοποιώντας τα ψυχογλωσσικά χαρακτηριστικά των χρηματοοικονομικών ειδήσεων», Annals of Data Science, τομ. 8, αρ. 3, σελ. 517–558, 2021.

[12] S.-J. Lin, "Ολοκληρωμένη τεχνική τεχνητής νοημοσύνης και οπτικοποίησης για βελτιωμένη απόφαση διαχείρισης στα σημερινά ταραχώδη επιχειρηματικά περιβάλλοντα", Cybernetics and Systems, τόμ. 52, αρ. 4, σελ. 274–292, 2021.

For more information:1950477648nn@gmail.com