(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111683268.6 (22)申请日 2021.12.31 (71)申请人 金陵科技学院 地址 211169 江苏省南京市江宁区弘景 大 道99号 (72)发明人 马守明　程晨　周祎　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 代理人 徐燕 (51)Int.Cl. G06Q 40/02(2012.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于自组织映射网络的个人信用评估 方法及系统 (57)摘要 本发明公开了一种基于自组织映射网络的 个人信用评估方法， 包括： 构建个人信用 指标体 系； 采集个人信用数据； 特征降维； 构建自组织映 射神经网络， 生成个人信用评估模型， 将降维后 的个人信用数据样本导入个人信用评估模型， 对 个人信用评估模型进行训练； 个人信用评估； 输 出评估结果。 本发明能够采用主成分分析方法对 个人信用属性空间进行压缩， 降低个人信用评估 的复杂性； 在降维生成的主成分变量基础上， 利 用模拟人脑自组织特性的自组织映射神经网络 对输入的个人信用样本进行模式识别， 从而实现 对个人信用类别的准确评估。 权利要求书2页 说明书10页 附图5页 CN 114298834 A 2022.04.08 CN 114298834 A 1.一种基于自组织映射网络的个人信用评估方法， 其特征在于， 所述个人信用评估方 法包括以下步骤： S1， 构建个人信用指标体系： 根据个人信用评估的目的和要求， 获取最能体现评估对象 个人信用特征 的指标， 构建得到个人信用指标体系； 个人信用评估指标至少包含个人自然 特征、 职业特 征以及与银 行关系； S2， 采集个人信用数据： 根据个人信用指标体系， 从不同数据源采集得到若干个消费信 贷申请者的个人信用数据， 生成个人信用数据样本； S3， 特征降维： 对个人信用数据进行主成分分析， 降低评估对象个人信用特征维度， 得 到降维后的个人信用数据样本； S4， 构建自组织映射神经网络， 生成个人信用评估模型， 将降维后的个人信用数据样本 导入个人信用评估模型， 对个人信用评估模型进行训练； 所述个人信用评估模型包括处理 单元阵列、 比较选择单元、 局部互联单元和自适应单元； 处理单元阵列包括若干个处理单 元， 每个处理单元接 收事件输入并且形成对这些信号的判别函数； 比较选择单元比较每个 处理单元判别函数， 并从中选择一个具有最大函数输出值的处理单元； 局部互联单元同时 激励被选择的处理单元及其最邻近的处理单元； 自适应单元修正被激励的处理单元的参 数， 以增加其对应于特定 输入判别函数的输出值； S5， 个人信用评估： 采集待评估对象的个人信用数据， 根据个人信用数据主成分分析结 果， 以组合后的综合变量 来代替原 始变量， 输入自组织映射神经网络进行个人信用评估； S6， 输出评估结果： 将自组织映射神经网络的个人信用评估结果以个人信用评估报告 的形式输出 给商业银 行， 辅助商业银 行进行放贷决策。 2.根据权利要求1所述的基于自组织映射网络的个人信用评估方法， 其特征在于， 步骤 S1中， 所述最能体现评估对象个人信用特征的指标包括年龄、 性别、 婚姻状况、 健康状况、 文 化程度、 单位性质、 行业状况、 岗位情况、 岗位年限、 家庭人均收入、 是否本行员工、 本行账 户、 业务往来和借款情况。 3.根据权利要求1所述的基于自组织映射网络的个人信用评估方法， 其特征在于， 步骤 S3中， 采用IBM  SPSS Statistics  22工具对个人信用数据进行主成分 分析。 4.根据权利要求1所述的基于自组织映射网络的个人信用评估方法， 其特征在于， 步骤 S3中， 所述特 征降维的过程包括以下步骤： S31， 特征中心化： 对导入的个人信用数据进行 标准化处理， 得到标准 化数据矩阵； S32， 计算协方差矩阵： 根据标准化数据矩阵建立相应的协方差矩阵， 用于反映标准化 后的数据之间相关 关系密切程度的统计指标， 值越大说明有必要对数据进行主成分 分析； S33， 计算特征值及特征向量： 根据协方差矩阵求出特征值、 主成分贡献率和累计方差 贡献率， 确定主成分个数； S34， 选取大的特征值对应的特性向量： 将特征值按照从大到小 的顺序排序， 选择其中 最大的几个特 征值对应的特 征向量分别作为列向量组成特 征向量矩阵； S35， 建立初始因子载荷矩阵， 解释主成分： 因子载荷量是主成分Zi与原始指标Xi的相 关系数R(Zi， Xi)， 用于表述主成分与各 财务比率之间的相关程度； S36， 求出每个主成分的函数表达式， 根据每个主成分的函数表达 式和从多个数据源采 集得到的消费信贷申请者的个人信用数据， 得到降维后的消费信贷申请者个人信用数据。权　利　要　求　书 1/2 页 2 CN 114298834 A 25.根据权利要求1所述的基于自组织映射网络的个人信用评估方法， 其特征在于， 步骤 S4中， 所述个人信用评估 模型的构建过程包括以下子步骤： S41， 利用MATLAB  R2016b工具创建自组织映射神经网络， 对网络初始化； 结构函数默认 值为“hextop”， 距离函数默认值为 “linkdist”， 分类阶段学习速率默认值为0.9， 分类阶段 学习步长默认值为1000， 调谐阶段学习速率默认值为0.02， 调谐阶段的邻域距离默认值为 1； S42， 设定竞争层为6 ×6六角结构， 训练次数为3 00； S43， 输入降维后的个人信用数据样本； S44， 寻找网络获胜节点； S45， 定义优胜邻域； S46， 调整网络 权值； S47， 输入新样本数据重复上述学习过程， 直到学习速率衰减到0或者预订的正小数为 止。 6.一种基于自组织映射网络的个人信用评估系统， 其特征在于， 所述个人信用评估系 统包括： 个人信用指标构建单元， 用于根据个人信用评估的目的和要求， 获取最能体现评估对 象个人信用特征 的指标， 构建得到个人信用指标体系； 个人信用评估指标至少包含个人自 然特征、 职业特 征以及与银 行关系； 个人信用数据采集单元， 用于通过个人信用数据采集代理， 根据个人信用指标体系， 从 不同数据源 采集得到消费信贷申请者的个人信用数据； 个人信用数据降维单元， 用于对个人信用数据进行主成分分析， 降低评估对象个人信 用特征维度， 得到降维后的个人信用数据； 个人信用评估模型， 基于自组织映射神经网络构建得到， 包括处理单元阵列、 比较选择 单元、 局部互联单元和自适应单元； 处理单元阵列包括若干个处理单元， 每个处理单元接收 事件输入并且形成对这些信号的判别函数； 比较选择单元比较每个处理单元判别函数， 并 从中选择一个具有最大函数输出值的处理单元； 局部互联单元同时激励被选择的处理单元 及其最邻近的处理单元； 自适应单元修正被激励的处理单元 的参数， 以增加 其对应于特定 输入判别函数的输出值； 模型训练单元， 通过不断地将所有个人信用数据反复输入自组织映射神经网络进行训 练， 使权值趋 于稳定， 生成训练好的自组织映射神经网络作为个人信用评估 模型； 个人信用评估单元， 用于调用个人信用数据降维单元对采集得到的待评估对象的个人 信用数据进行主成分分析结果， 以组合后的综合变量来代替原始变量， 再将组合后的综合 变量输入个人信用评估 模型进行个人信用评估； 个人信用评估结果输出单元， 用于将个人信用评估模型输出的个人信用评估结果以个 人信用评估报告的形式输出 给商业银 行， 辅助商业银 行进行放贷决策。 7.根据权利要求6所述的基于自组织映射网络的个人信用评估系统， 其特征在于， 所述 个人信用评估系统还包括个人信用数据库单元， 用于存储系个人信用评估结果， 由授权机 构负责进行日常数据维护和管理。权　利　要　求　书 2/2 页 3 CN 114298834 A 3