一种基于神经网络的抵押物评级方法技术

本申请提供了一种基于神经网络的抵押物评级方法，从收集的抵押物的原始特征信息获取h维主特征信息和剩余特征信息，基于关联度，将每个剩余特征信息与h维主特征信息中每个主特征信息匹配，形成h个特征信息组，在每个特征信息组中，将每个剩余特征信息与主特征信息融合，以获得h个特征信息组对应的h个融合特征信息，对神经网络模型进行训练，以得到训练后的神经网络模型，对待测抵押物进行评级，产生评级结果。级结果。级结果。

【技术实现步骤摘要】
一种基于神经网络的抵押物评级方法


[0001]本专利技术涉及抵押物评级方法，具体涉及一种基于神经网络的抵押物评级方法。

技术介绍

[0002]贷款抵押物可以将其作为贷款的第二还款来源，这样可以将贷款风险控制在合理范围内，使得贷款的安全性与可靠性得到保障。贷款抵押物价值评估是否准确，与贷款发生风险时得到的补偿程度有着较为密切的联系。许多贷款出现损失的主要原因就是，在对贷款抵押物的价值评估过程中，缺乏科学性与合理性。
[0003]现有常用的几种抵押物评级方法有：市场倒推法、重置成本法、收益现值法和清算价格法等。然而传统的评级方式评估指标单一，数据维度大，来源不可靠，没有统一标准。随着业务量成千上万的增长，时间耗费也是巨增，且很大程度上依赖于评级人员的主观判断，以主观感觉、经验和关系决策为主，带来判断和评级标准的不一致，客观性和准确度低，难以对评级结果的再检验，评级结果的稳定性和可靠性较差。
[0004]因此，目前亟需一种评级标准统一化、效率高、准确度高的抵押物评级方法。

技术实现思路

[0005]鉴于上述问题，提出了本申请，采用神经网络进行抵押物评级，以实现评级标准统一化，同时对抵押物的特征信息进行处理，首先将L维特征信息缩减为h维主特征信息，保留对评级结果影响最大的h维主特征信息，以降低神经网络复杂度，提高评级效率，其次将剩余特征信息与h维主特征信息匹配、融合，用于综合考虑抵押物的所有特征信息，以提高神经网络的评级精度。
[0006]本申请提供了一种基于神经网络的抵押物评级方法，包括：
[0007]步骤S1，收集各种抵押物的L维原始特征信息；
[0008]步骤S2，对各种抵押物的L维原始特征信息进行处理，获取h维主特征信息，h为大于等于6的正整数且小于L；
[0009]步骤S3，从收集的抵押物的原始特征信息剔除h维主特征信息，得到剩余特征信息；
[0010]步骤S4，分别计算h维主特征信息中每个主特征信息与每个剩余特征信息的关联度；
[0011]步骤S5，基于关联度，将每个剩余特征信息与h维主特征信息中每个主特征信息匹配，形成h个特征信息组，其中每个特征信息组分别包括h维特征信息中的一个主特征信息；
[0012]步骤S6，在每个特征信息组中，将每个剩余特征信息与主特征信息融合，以获得h个特征信息组对应的h个融合特征信息；
[0013]步骤S7，构建神经网络模型，利用各种抵押物的h个融合特征信息，对神经网络模型进行训练，以得到训练后的神经网络模型；
[0014]步骤S8，利用训练后的神经网络模型，对待测抵押物进行评级，产生评级结果。
[0015]进一步的，步骤S2具体包括：
[0016]步骤S21，根据收集的各种抵押物的原始特征信息，获取特征信息原始数据矩阵；
[0017]步骤S22，对特征信息原始数据矩阵进行归一化变换，得到特征信息归一数据矩阵；
[0018]步骤S23，对特征信息归一数据矩阵关联分析，计算特征信息间的关联矩阵；
[0019]步骤S24，基于特征信息间的关联矩阵，计算关联矩阵的特征值；
[0020]步骤S25，对关联矩阵的L个特征值按大小进行排序，计算前h个特征值对评级结果的总影响度；
[0021]步骤S26，设定总影响度参考值，以使总影响度大于等于总影响度参考值，前h个特征值对应的特征信息即为与评级结果影响程度最高的h维主特征信息。
[0022]进一步的，特征信息原始数据矩阵具体为：
[0023][0024]其中，x
11
至x
NL
为抵押物的特征信息，N为收集的抵押物数量。
[0025]进一步的，归一化变换为：
[0026][0027][0028]其中，z
ij
是抵押物的归一特征信息，i∈N，j∈L。
[0029]进一步的，关联分析为：
[0030][0031]其中，r
ij
是关联矩阵中的关联因子，k∈N。
[0032]进一步的，总影响度计算公式为：
[0033][0034]其中，j∈L，p∈h，γ
j
是第j个特征值，γ
p
是第p个特征值。
[0035]进一步的，关联度的计算公式为：
[0036][0037]其中，e
i
是第i个抵押物的主特征信息，为每个主特征信息的平均值，f
i
是第i个
抵押物的剩余特征信息，是每个剩余特征信息的平均值。
[0038]进一步的，将每个剩余特征信息与h维特征信息中每个主特征信息匹配具体为：
[0039]当剩余特征信息与主特征信息的关联度大于关联度参考值时，确认剩余特征信息与主特征信息匹配，属于一个特征信息组。
[0040]当剩余特征信息与主特征信息的关联度不大于关联度参考值时，确认剩余特征信息与主特征信息不匹配，不属于一个特征信息组。
[0041]进一步的，将每个剩余特征信息与主特征信息融合具体为：
[0042]步骤S61，每个剩余特征信息分别与第一预设权值相差，得到每个剩余特征信息对应的第一融合信息。
[0043]步骤S62，主特征信息分别与第二预设权值相差，得到主特征信息对应的第二融合信息。
[0044]步骤S63，对第一融合信息和第二融合信息求和，得到融合特征信息。
[0045]进一步的，第二预设权值大于第一预设权值。
[0046]本申请的有益效果是：
[0047](1)本申请采用神经网络进行抵押物评级，以实现评级标准统一化。
[0048](2)本申请对抵押物的特征信息进行处理，首先将L维特征信息缩减为h维主特征信息，保留对评级结果影响最大的h维主特征信息，以降低神经网络复杂度，提高评级效率，其次将剩余特征信息与h维主特征信息匹配、融合，用于综合考虑抵押物的所有特征信息，以提高神经网络的评级精度。
附图说明
[0049]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0050]图1为本申请提供的一种基于神经网络的抵押物评级方法的流程图；
[0051]图2为本申请提供的获取h维融合特征信息的流程图；
[0052]图3为本申请提供的剩余特征信息与主特征信息融合的流程图。
具体实施方式
[0053]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的抵押物评级方法，其特征在于，所述抵押物评级方法包括：步骤S1，收集各种抵押物的L维原始特征信息；步骤S2，对各种抵押物的L维原始特征信息进行处理，获取h维主特征信息，h为大于等于6的正整数且小于L；步骤S3，从收集的抵押物的原始特征信息剔除h维主特征信息，得到剩余特征信息；步骤S4，分别计算h维主特征信息中每个主特征信息与每个剩余特征信息的关联度；步骤S5，基于关联度，将每个剩余特征信息与h维主特征信息中每个主特征信息匹配，形成h个特征信息组，其中每个特征信息组分别包括h维特征信息中的一个主特征信息；步骤S6，在每个特征信息组中，将每个剩余特征信息与主特征信息融合，以获得h个特征信息组对应的h个融合特征信息；步骤S7，构建神经网络模型，利用各种抵押物的h个融合特征信息，对神经网络模型进行训练，以得到训练后的神经网络模型；步骤S8，利用训练后的神经网络模型，对待测抵押物进行评级，产生评级结果。2.根据权利要求1所述的抵押物评级方法，其特征在于，步骤S2具体包括：步骤S21，根据收集的各种抵押物的原始特征信息，获取特征信息原始数据矩阵；步骤S22，对特征信息原始数据矩阵进行归一化变换，得到特征信息归一数据矩阵；步骤S23，对特征信息归一数据矩阵关联分析，计算特征信息间的关联矩阵；步骤S24，基于特征信息间的关联矩阵，计算关联矩阵的特征值；步骤S25，对关联矩阵的L个特征值按大小进行排序，计算前h个特征值对评级结果的总影响度；步骤S26，设定总影响度参考值，以使总影响度大于等于总影响度参考值，前h个特征值对应的特征信息即为与评级结果影响程度最高的h维主特征信息。3.根据权利要求2所述的抵押物评级方法，其特征在于，特征信息原始数据矩阵具体为：其中，x
11
至x
NL
为抵押物的特征信息，N为收...

【专利技术属性】
技术研发人员：林欢燕，强铃，李高臣，余科，马作勇，单中杰，
申请(专利权)人：中企筑链科技有限公司，
类型：发明
国别省市：