基于CMCP和余弦间隔交叉熵的深度神经网络及其应用
二分类问题在经济领域十分常见,深度神经网络(DNN)是现有最为常用的分类方法之一.然而在处理高维特征数据时,DNN仍然面临着巨大的挑战.为此,本文基于CMCP和余弦间隔交叉熵损失建立了一个新的深度神经网络(CM-CP-CMDNN),它既实现高维输入特征的筛选,又改进分类预测能力.其中,CMCP方法用于压缩输入特征到第1隐藏层的权重,通过融合权重的组结构,能够剔除无关特征以及不重要的连接.余弦间隔交叉熵损失函数可以增大判别边界的间隔,提高分类准确率和稳健性.为了求解模型,本文基于局部线性近似(LLA)和近端梯度下降算法估计参数.模拟分析表明,对比已有DNN和分类方法,所提出的方法具有良好的特征选择性能和预测表现.信用贷款违约风险实证研究表明,该方法能够有效选择风险指标并进行违约风险预警.本文拓展了深度神经网络的理论研究,为高维复杂交互作用的大数据建模提供新思路,为解决金融、管理、生物等领域的分类问题提供有力的分析工具.
CMCP、交叉熵损失、深度神经网络、信用风险
39
C812(统计方法)
国家自然科学基金;湖南省社会科学成果评审委员会一般项目;长沙市自然科学基金;湖南省自然科学基金青年项目
2022-11-08（万方平台首次上网日期，不代表论文的发表时间）
共19页
170-188
