基于AHP法和BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶(hù)信用評(píng)估模型(完整資料）(可以直接使用，可編輯優(yōu)秀版資料，歡迎下載）

基于AHP法和ＢＰ神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶(hù)信用評(píng)估模型基于AHP法和BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶(hù)信用評(píng)估模型(完整資料）(可以直接使用，可編輯優(yōu)秀版資料，歡迎下載）美國(guó)次貸危機(jī)和希臘主權(quán)債務(wù)危機(jī)使人們對(duì)次貸風(fēng)險(xiǎn)的防范意識(shí)有了更進(jìn)一步的增強(qiáng),特別是對(duì)金融衍生產(chǎn)品創(chuàng)新中風(fēng)險(xiǎn)度量、風(fēng)險(xiǎn)控制甚至風(fēng)險(xiǎn)管理的理論和方法進(jìn)行了深層次全方位的審視和思考。毫無(wú)疑問(wèn)，次貸風(fēng)險(xiǎn)的防范應(yīng)該從信貸源頭即商業(yè)銀行客戶(hù)開(kāi)始。商業(yè)銀行對(duì)客戶(hù)的信用評(píng)估是銀行貸款的核心內(nèi)容,對(duì)銀行客戶(hù)的信用等級(jí)評(píng)估是否合理、科學(xué)、準(zhǔn)確關(guān)系著銀行貸款承擔(dān)風(fēng)險(xiǎn)的大小.因此，準(zhǔn)確評(píng)價(jià)客戶(hù)信用對(duì)銀行來(lái)說(shuō)至關(guān)重要。商業(yè)銀行客戶(hù)基數(shù)大，屬性多,而且不同客戶(hù)有著其各自不同的特點(diǎn)，銀行不可能依次對(duì)每一個(gè)用戶(hù)進(jìn)行分析來(lái)確定其信用程度,這在時(shí)間、人力以及效率等方面都是不可取也是不現(xiàn)實(shí)的,那么銀行應(yīng)該按照一種特定的指標(biāo)體系在擁有客戶(hù)登記表的情況下對(duì)客戶(hù)進(jìn)行信用評(píng)估，這種特定的體系就是本文將要提出的基于AHP法和BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行客戶(hù)信用評(píng)估模型。問(wèn)題分析商業(yè)銀行信貸最關(guān)心的是客戶(hù)的信用程度和償還能力以及在此基礎(chǔ)上所能獲得的最大利潤(rùn)問(wèn)題,銀行在評(píng)估客戶(hù)信用程度時(shí)，是基于客戶(hù)所提交的客戶(hù)登記表來(lái)進(jìn)行的，比如年齡、職業(yè)、學(xué)歷、月收入、信用額度、信用歷史等都是評(píng)估客戶(hù)的要素．根據(jù)客戶(hù)信息,銀行在借貸時(shí)自然更偏重于那些職業(yè)較好、收入較高、信用歷史較好的客戶(hù),但是這類(lèi)客戶(hù)很可能學(xué)歷較低、信用額度偏大，這使得銀行很難判斷其真正的信用程度.因此，為了更加公正、客觀的評(píng)估每個(gè)客戶(hù)的信用程度,銀行首先應(yīng)該對(duì)客戶(hù)所提交的客戶(hù)登記表里的信息資料進(jìn)行初步評(píng)分，基于對(duì)現(xiàn)實(shí)的考慮，在本文中，假設(shè)銀行主要對(duì)客戶(hù)的２4項(xiàng)基本資料進(jìn)行評(píng)分，也就是說(shuō)客戶(hù)的信用程度就是通過(guò)這２4項(xiàng)評(píng)估指標(biāo)所建立起來(lái)的（如圖1所示)［1］.考察這24項(xiàng)指標(biāo)，按先后順序編號(hào)為，其中前９項(xiàng)決定客戶(hù)的特征，中間8項(xiàng)決定客戶(hù)的償還能力,最后７項(xiàng)決定客戶(hù)的信用狀況,由圖1可知,銀行對(duì)客戶(hù)的信用程度的評(píng)估就是基于這3大項(xiàng)的加權(quán)所得.根據(jù)BP（全稱(chēng)為BａｃkＰｒoｐaｇation）神經(jīng)網(wǎng)絡(luò)的算法，銀行可采用大量的數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí),使各個(gè)分量的權(quán)重最后趨于穩(wěn)定,然后以此來(lái)計(jì)算客戶(hù)的信用程度。由于在現(xiàn)實(shí)中很難找到大量、準(zhǔn)確、可靠的數(shù)據(jù)來(lái)完成訓(xùn)練學(xué)習(xí)這個(gè)過(guò)程，因此，為了避免ＢＰ神經(jīng)網(wǎng)絡(luò)算法在初始化時(shí)采用隨機(jī)數(shù)取值所帶來(lái)的較大誤差，本文首先采用層次分析法（ＡnalyｔicＨｉｅrａrchyＰroｃess簡(jiǎn)稱(chēng)AHP）對(duì)2４小項(xiàng)以及3大項(xiàng)的權(quán)重進(jìn)行計(jì)算，確定初始化數(shù)據(jù)，然后再利用ＢP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行訓(xùn)練學(xué)習(xí)。圖1商業(yè)銀行客戶(hù)信用評(píng)估指標(biāo)體系商業(yè)銀行客戶(hù)信用評(píng)估指標(biāo)體系Z年齡性別文化程度職業(yè)婚姻狀況健康狀況是否本地戶(hù)口住宅性質(zhì)本地居住時(shí)間客戶(hù)特征商業(yè)銀行客戶(hù)信用評(píng)估指標(biāo)體系Z年齡性別文化程度職業(yè)婚姻狀況健康狀況是否本地戶(hù)口住宅性質(zhì)本地居住時(shí)間客戶(hù)特征個(gè)人財(cái)產(chǎn)家庭月收入活期存款余額分期付款占收入的比重工作年限存儲(chǔ)帳戶(hù)余額分期付款計(jì)劃其他借貸情況償還能力銀行卡記錄信用歷史代發(fā)工資情況信用額度持卡時(shí)間持卡消費(fèi)情況擔(dān)保情況信用狀況黃、橙、紅5種顏色表示客戶(hù)從高到低的信用程度[１］.綠色:表示該客戶(hù)信用程度高,不必?fù)?dān)憂(yōu)其會(huì)發(fā)生不按期償還貸款的情況．藍(lán)色：表示該客戶(hù)信用程度較高,只要在還款期限之前進(jìn)行適當(dāng)提醒該用戶(hù)就能保證按時(shí)還款.黃色：表示該客戶(hù)信用程度一般，只要及時(shí)催促，就能保證其按時(shí)還款。橙色:表示客戶(hù)信用程度較低,為了保證客戶(hù)按時(shí)還款,應(yīng)該加強(qiáng)與用戶(hù)之間的聯(lián)系,在借貸時(shí)也要適當(dāng)進(jìn)行決策。紅色:表示該用戶(hù)信用程度差，銀行在借貸時(shí)應(yīng)該考慮是否要對(duì)其進(jìn)行貸款．模型的假設(shè)分別對(duì)ＡHP法和BP神經(jīng)網(wǎng)絡(luò)算法中所涉及到的變量以及其他因素進(jìn)行假設(shè)．1.ＡHP算法所涉及到的比較矩陣是根據(jù)Ｓaaty等人提出來(lái)的１－9尺度法進(jìn)行度量的，在具體的矩陣擬定中，對(duì)人為因素所造成的誤差忽略不計(jì)．2.基于現(xiàn)實(shí)以及計(jì)算考慮,在商業(yè)銀行客戶(hù)信用評(píng)估指標(biāo)體系中，本文僅選取２4項(xiàng),其余指標(biāo)不予考慮，設(shè)分別表示客戶(hù)登記表中的24小項(xiàng)的分值，在實(shí)際的銀行信貸過(guò)程中，只要客戶(hù)填寫(xiě)了客戶(hù)登記表，那么這24項(xiàng)的值就隨之確定．3．用表示各個(gè)小項(xiàng)所屬的大項(xiàng)，分別為客戶(hù)特征、償還能力以及信用狀況；用Z表示客戶(hù)的信用程度．4.在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,假定輸出單元的閾值為０.5?；谏虡I(yè)銀行客戶(hù)登記表中的屬性評(píng)分標(biāo)準(zhǔn)(按1—５之間的整數(shù)打分，分?jǐn)?shù)越高,表示信用卡持有者該屬性表現(xiàn)越好),本文將根據(jù)最后所求得的Ｚ值的區(qū)間［0，1]將其劃分為5個(gè)小區(qū)間，即［０，0.2），[0。2，0.4），[0。4，0.6)，［０.6,０。8),[0．8，1.0]，從低到高分別代表紅、橙、黃、藍(lán)、綠五個(gè)等級(jí),根據(jù)最后所求Ｚ值落入的區(qū)間來(lái)確定該客戶(hù)的信用等級(jí).模型的建立用AHP法獲得BP神經(jīng)網(wǎng)絡(luò)算法的初始權(quán)值A(chǔ)HP法是將定性分析和定量計(jì)算相結(jié)合的一種綜合計(jì)算方法,可將決策問(wèn)題分為三個(gè)層次，即最上層、中間層和最下層，其分別為目標(biāo)層、準(zhǔn)則層和方案層,在具體問(wèn)題中，具有廣泛的實(shí)用性．在AHP法中，為了確定同一層次間各因素對(duì)上層影響所占的比重,下面我們將引入一種比較科學(xué)合理的比較尺度，即尺度法[3］。比較尺度：在比較兩個(gè)不同性質(zhì)的因素和對(duì)于上層因素的影響時(shí)，為了使得到的數(shù)據(jù)科學(xué)合理，本文采用Saaty等人提出來(lái)的尺度法，即尺度的取值范圍為及其互反數(shù)，如下表1.尺度含義1和的影響相同３比的影響稍強(qiáng)5比的影響強(qiáng)7比的影響明顯地強(qiáng)9比的影響絕對(duì)地強(qiáng)2,4,6，8比的影響之比在上述兩個(gè)相鄰等級(jí)之間比的影響之比與上相反（“強(qiáng)”改為“弱”）表1尺度的含義表基于上述的比較尺度,以及參考了銀行在實(shí)際信貸過(guò)程中考慮因素的重要性,本文擬定以下比較矩陣來(lái)表示在客戶(hù)特征、償還能力、信用狀況中,商業(yè)銀行信用評(píng)估各指標(biāo)之間的相對(duì)重要性,具體圖表如下:12１241１１5414５78631416５８１24131535213１４５6１11１23１112111表2客戶(hù)特征中各指標(biāo)的比較矩陣136241３１71７1４1213２1３１8２61211２8１25237１141表3償還能力中各指標(biāo)的比較矩陣１62３5131756１４31142２１１611１５1212341表４信用狀況中各指標(biāo)的比較矩陣相應(yīng)地,本文同樣得到了客戶(hù)特征、償還能力、信用狀況這三個(gè)大指標(biāo)之間的相對(duì)重要性比較矩陣，以此來(lái)確定商業(yè)銀行客戶(hù)信用評(píng)估指標(biāo)中各主要元素的權(quán)重．z1３１241表５評(píng)估體系中的比較矩陣2。模型算法設(shè)計(jì)及實(shí)現(xiàn)２.1BＰ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)算法是由一個(gè)輸入層、一個(gè)或多個(gè)隱含層和一個(gè)輸出層組成，在本文中,與之對(duì)應(yīng)的分別是AHP算法中的方案層、準(zhǔn)則層和目標(biāo)層。實(shí)驗(yàn)證明，三層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用最為廣泛。因此，本文也采用了典型的三層ＢP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[4］，其中輸入層節(jié)點(diǎn)數(shù)為2４,分別對(duì)應(yīng)客戶(hù)信用評(píng)估的２4個(gè)指標(biāo),輸出層節(jié)點(diǎn)數(shù)為１，表示商業(yè)銀行客戶(hù)信用程度。經(jīng)驗(yàn)顯示,較好的隱含層節(jié)點(diǎn)數(shù)應(yīng)介于輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)數(shù)量之和的５0%～7０％之間［６］,本文通過(guò)固定樣本針對(duì)不同隱含層節(jié)點(diǎn)數(shù)進(jìn)行訓(xùn)練，權(quán)衡運(yùn)行效率、訓(xùn)練次數(shù)和網(wǎng)絡(luò)總誤差，最終確定隱含層節(jié)點(diǎn)數(shù)為3,如圖2所示．圖2三層ＢP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖以三層為例,令為網(wǎng)絡(luò)輸入,即為各個(gè)指標(biāo)的評(píng)價(jià)值，為隱含層輸出，為網(wǎng)絡(luò)的實(shí)際輸出，即對(duì)信用風(fēng)險(xiǎn)的評(píng)價(jià)值。其中，輸入層節(jié)點(diǎn)到隱含層節(jié)點(diǎn)的權(quán)重為,而隱含層節(jié)點(diǎn)到輸出層節(jié)點(diǎn)的權(quán)重為,用和分別表示輸出單元和隱含單元的閾值，則:（1）(2）其中，（3)2.2BP算法的實(shí)現(xiàn)步驟2．2．1模型算法設(shè)計(jì)根據(jù)BＰ神經(jīng)網(wǎng)絡(luò)和AHP算法的特征,建立改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法[１］,如下圖3所示.圖3改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)流程圖2。2.2模型算法的實(shí)現(xiàn)模型算法的實(shí)現(xiàn)步驟如下：(1）傳遞函數(shù)的確定［4］.傳遞函數(shù)是反映下層輸入對(duì)上層節(jié)點(diǎn)刺激脈沖強(qiáng)度的函數(shù)，又稱(chēng)刺激函數(shù)，一般取為(0，１）內(nèi)連續(xù)取值Sigmoid函數(shù)：（３）誤差計(jì)算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計(jì)算輸出之間誤差大小的函數(shù).設(shè)第j個(gè)單元節(jié)點(diǎn)輸出的誤差為，則總誤差為：(4)其中,是第j個(gè)節(jié)點(diǎn)的期望輸出值,是第ｊ個(gè)節(jié)點(diǎn)的實(shí)際輸出值．(2）參數(shù)確定［1］.首先依據(jù)Saaty等人提出的１-9尺度法構(gòu)造比較矩陣、、和。通過(guò)比較矩陣最大特征根和特征向量的和法算法［３],求得各比較矩陣的最大特征根和特征向量．和法算法：a.將A的每一列向量歸一化得(５)b．對(duì)按行求和得（６)c。將歸一化(7）而即為所求特征向量。d.計(jì)算,作為最大特征根的近似值。而即為所求權(quán)重向量.由于通過(guò)AHP法所得到的結(jié)果具有很好的一致性,因此參數(shù)的改變對(duì)運(yùn)算結(jié)果不會(huì)有太大的影響．（３）初始化．將樣本計(jì)算器ｐ和訓(xùn)練次數(shù)計(jì)數(shù)器q都置為1，誤差E置為０。為了更加精確的得到從輸入層到隱含層的權(quán)重以及從隱含層到輸出層的權(quán)重，本文首先采用ＡHＰ法對(duì)權(quán)重和進(jìn)行了初步確定，從而避免了常規(guī)BＰ神經(jīng)網(wǎng)絡(luò)算法采用隨機(jī)數(shù)進(jìn)行初始化所帶來(lái)的誤差，既縮短了ＢP算法對(duì)樣本訓(xùn)練學(xué)習(xí)的周期，又提高了計(jì)算結(jié)果的精確度．(4)訓(xùn)練學(xué)習(xí)．神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)的過(guò)程就是對(duì)樣本各權(quán)重進(jìn)行調(diào)整并使其趨于穩(wěn)定的過(guò)程，原則是使誤差不斷減小。訓(xùn)練學(xué)習(xí)過(guò)程如下：（8）（9)(10）其中，為期望輸出值，為學(xué)習(xí)率,于（０,1）間取值，是為了保證BP算法的收斂性,所以，采用上述優(yōu)化方法來(lái)確定．為動(dòng)量因子，是為了避免樣本訓(xùn)練時(shí)BP算法陷于局部極小點(diǎn)，?。啊础矗迹?為期望輸出與實(shí)際輸出之間的誤差。對(duì)于每一個(gè)輸入的樣本,計(jì)算相應(yīng)的和，得到權(quán)值的調(diào)整公式：（1１)(12）在和的誤差達(dá)到要求的精度時(shí)，算法停止，訓(xùn)練學(xué)習(xí)過(guò)程結(jié)束。(5）網(wǎng)絡(luò)誤差.計(jì)算網(wǎng)絡(luò)輸出誤差,設(shè)共有個(gè)訓(xùn)練樣本，網(wǎng)絡(luò)對(duì)應(yīng)不同的樣本有不同的誤差,用其均方根（13）作為網(wǎng)絡(luò)的總誤差．其中t為計(jì)數(shù)器.每對(duì)樣本完成一次訓(xùn)練學(xué)習(xí),都會(huì)檢查總誤差是否達(dá)到精度要求或者訓(xùn)練次數(shù)是否達(dá)到上限值,若是,則停止,否則轉(zhuǎn)到（４)，直到符合要求為止．模型的求解及應(yīng)用1.樣本訓(xùn)練基于AHP法和BP神經(jīng)網(wǎng)絡(luò)算法的基本思想而建立的BP神經(jīng)網(wǎng)絡(luò)客戶(hù)信用等級(jí)評(píng)估模型,其輸入層為24個(gè)神經(jīng)元,分別對(duì)應(yīng)客戶(hù)信用評(píng)估的24項(xiàng)指標(biāo)，根據(jù)這２4項(xiàng)指標(biāo),確定了影響客戶(hù)信用評(píng)估的三大要素，即客戶(hù)特征、償還能力和信用狀況,最終由這三大指標(biāo)確定客戶(hù)的信用程度。本文隨機(jī)抽取了10份商業(yè)銀行客戶(hù)登記表作為研究對(duì)象,并對(duì)其中的定性指標(biāo)進(jìn)行了公正合理的打分，每個(gè)指標(biāo)打分的范圍為［1,5］之間的整數(shù).即可得到一個(gè)樣本矩陣：由AHP法即可得到分別對(duì)應(yīng)的權(quán)重向量：［0。068966,0.02069０，0.179310，０。289655，０。1１7241,０。020689７,0.０27568，0.06８966,0．020６9０］T［0．150442,0。２1２38９，0。06１947，0.203540,0.02６54９,０.１76991，0。115044，0．053０9７］T[０.211７６5,0.341１７6,0.09４１18,0。１0５882，0。11765０，0．１05882，0.１29412］Ｔ[0．083３33，0．500０00,0.41666７］T將其作為初始化數(shù)據(jù)，在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行訓(xùn)練學(xué)習(xí),最終可求得：Z=［0。5645３9，0.５６3337,0.363566，0.８46153，0．3630９5，０.７362２7,0.4６354３，０．163985，０。7135８５,0．４1３２0９]T即為這10個(gè)客戶(hù)的最終得分。2。評(píng)估分析基于上述擬定的評(píng)估等級(jí),即可確定出這10名客戶(hù)的信用等級(jí),如表6所示：客戶(hù)Z值誤差信用等級(jí)客戶(hù)１0.5645390．０00106黃色客戶(hù)20．56333７０。０00089黃色客戶(hù)30.３6３５660。0０0092橙色客戶(hù)40。846１5３0.0０００９6綠色客戶(hù)50．363０95０.０00086橙色客戶(hù)6０.7３6２270．0００0９5藍(lán)色客戶(hù)70.４6３５4３０.00０09１黃色客戶(hù)80.16398５０．0００09８紅色客戶(hù)90．713５８50．000092藍(lán)色客戶(hù)100.41３2090.000087黃色表6客戶(hù)信用等級(jí)表為了便于銀行對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，現(xiàn)將表６中各個(gè)客戶(hù)的信息用折線圖以及柱狀圖的形式給出.圖4客戶(hù)信用程度圖示黃黃藍(lán)橙藍(lán)橙綠紅綠紅圖5客戶(hù)人數(shù)與信用等級(jí)圖示以上就是隨機(jī)抽取的１0份商業(yè)銀行客戶(hù)登記表所對(duì)應(yīng)的客戶(hù)信用程度,從折線圖與柱狀圖來(lái)看,信用程度處于一般信用的人最多,其次是較高信用與較低信用,而高信用與低信用的人數(shù)相對(duì)較少。這僅是對(duì)10份數(shù)據(jù)進(jìn)行訓(xùn)練統(tǒng)計(jì)的結(jié)果，由于基數(shù)太小,可能不具代表性，但此模型是在AHP法和BP神經(jīng)網(wǎng)絡(luò)的共同作用下建立起來(lái)的，具有一定的科學(xué)合理性。另外,該模型評(píng)估誤差小，計(jì)算速度快，從這方面來(lái)說(shuō),作為商業(yè)銀行客戶(hù)信用程度的評(píng)估依據(jù),本模型依然具有較好的實(shí)用價(jià)值。參考文獻(xiàn)：［1]盧雯嘉，栗秋華，周林，李楊，馮克群，曾平，黃林:基于遺產(chǎn)算法和ＢP神經(jīng)網(wǎng)絡(luò)的電力客戶(hù)信用評(píng)價(jià)模型[J］。電力需求側(cè)管理，2００9,11(6）:30-33［２]唐煥文，賀明峰:數(shù)學(xué)模型引論［M]．北京:高等教育出版社，2002[３]姜啟源：數(shù)學(xué)模型［M］（第二版)。北京:高等教育出版社，200１［4］王莉，鄭兆瑞，郝記秀:BＰ神經(jīng)網(wǎng)絡(luò)在信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用［Ｊ]．太原理工大學(xué)學(xué)報(bào)，2005，36（2):2１7-218［５]居勇，曾鳴:基于云模型的用電客戶(hù)信用評(píng)價(jià)[J].華東電力,2０09，3７（8)：124８［6］蔡皎潔,張玉峰：基于數(shù)據(jù)挖掘銀行客戶(hù)信用風(fēng)險(xiǎn)評(píng)級(jí)體系研究［Ｊ].情報(bào)雜志,２010，２９（2):49城市商業(yè)銀行貸款質(zhì)量五級(jí)分類(lèi)實(shí)施意見(jiàn)銀發(fā)[2０02］３55號(hào)200２年1１月２１日一、為貫徹落實(shí)《中國(guó)人民銀行關(guān)于全面推行貸款質(zhì)量五級(jí)分類(lèi)管理的通知》，根據(jù)中國(guó)人民銀行《貸款風(fēng)險(xiǎn)分類(lèi)指導(dǎo)原則》，制定本實(shí)施意見(jiàn).二、貸款質(zhì)量五級(jí)分類(lèi)所稱(chēng)貸款包括:一般貸款(含抵押、質(zhì)押、保證、信用等貸款)、貼現(xiàn)、銀行承兌匯票墊款、信用證墊款、擔(dān)保墊款、進(jìn)出口押匯、銀行卡透支、拆出資金、存放同業(yè)、應(yīng)收帳款、類(lèi)似性質(zhì)的其他債權(quán)及類(lèi)似性質(zhì)的或有負(fù)債。三、貸款質(zhì)量五級(jí)分類(lèi)是評(píng)估貸款風(fēng)險(xiǎn)狀況的一種方法.嚴(yán)格按照貸款質(zhì)量五級(jí)分類(lèi)的標(biāo)準(zhǔn)、方法和程序?qū)Τ鞘猩虡I(yè)銀行的貸款風(fēng)險(xiǎn)進(jìn)行評(píng)估和揭示,并及時(shí)提取貸款損失準(zhǔn)備金,是城市商業(yè)銀行防范經(jīng)營(yíng)風(fēng)險(xiǎn)的重要手段。四、城市商業(yè)銀行應(yīng)把貸款質(zhì)量五級(jí)分類(lèi)納入日常貸款管理工作。五、本實(shí)施意見(jiàn)中的貸款質(zhì)量五級(jí)分類(lèi)標(biāo)準(zhǔn)為最低標(biāo)準(zhǔn)，城市商業(yè)銀行可以自行制定更為審慎細(xì)化的標(biāo)準(zhǔn),但應(yīng)有與本實(shí)施意見(jiàn)的標(biāo)準(zhǔn)相對(duì)應(yīng)的折算方法。六、貸款質(zhì)量五級(jí)分類(lèi)是指貸款本金利息(簡(jiǎn)稱(chēng)貸款本息）收回的可能性，將貸款劃分為正常、關(guān)注、次級(jí)、可疑和損失五個(gè)類(lèi)別,其中次級(jí)、可疑、損失類(lèi)合并稱(chēng)為不良貸款。級(jí)貸款的分類(lèi)標(biāo)準(zhǔn)分別為:（一)正常：借款人能履行合同，沒(méi)有足夠理由懷疑貸款本息不能按時(shí)足額償還。正常貸款的主要特征是：1、借款人貸款本息未逾期或逾期未超過(guò)３個(gè)月。２、借款人生產(chǎn)、經(jīng)營(yíng)正常。3、借款人用正常經(jīng)營(yíng)活動(dòng)產(chǎn)生的現(xiàn)金還款，且現(xiàn)金流量穩(wěn)定.4、借款人貸款資料齊全。(二）關(guān)注：盡管借款人目前有能力償還貸款本息，但存在一些可能對(duì)還款產(chǎn)生不利影響的因素。關(guān)注類(lèi)貸款的主要特征：1、貸款本息未逾期或逾期未超過(guò)３個(gè)月。2、借款人出現(xiàn)流動(dòng)資金不足的早期征兆,如還款時(shí)間出現(xiàn)延誤,凈現(xiàn)金流量明顯降低等。３、借款人經(jīng)營(yíng)狀況開(kāi)始出現(xiàn)不利趨勢(shì)，但暫時(shí)尚未影響還款，但此趨勢(shì)延續(xù)下去將對(duì)借款人財(cái)務(wù)狀況產(chǎn)生影響。經(jīng)營(yíng)狀況不佳的原因可能是自身經(jīng)營(yíng)不善、行業(yè)或宏觀經(jīng)濟(jì)不景氣、產(chǎn)品市場(chǎng)發(fā)生變化等，其主要標(biāo)志是產(chǎn)品銷(xiāo)售減少,營(yíng)業(yè)收入降低等.4、貸款擔(dān)保出現(xiàn)問(wèn)題,如抵(質(zhì))押物價(jià)值明顯降低，抵(質(zhì)）押物控制權(quán)出現(xiàn)問(wèn)題等。5、借款人信用狀況出現(xiàn)可疑征兆，如未能及時(shí)取得適當(dāng)?shù)馁Y料和文件，借款人不合作或難以聯(lián)絡(luò)等.6、其他可能影響借款人財(cái)務(wù)狀況的重大事件,如借款人或借款企業(yè)主要負(fù)責(zé)人健康狀況出現(xiàn)問(wèn)題，借款人或借款企業(yè)涉及法律訴訟等。（三）次級(jí):借款人的還款能力出現(xiàn)明顯問(wèn)題，完全依靠其正常營(yíng)業(yè)收入無(wú)法足額償還貸款本息，即使執(zhí)行擔(dān)保，也可能會(huì)造成一定損失。次級(jí)類(lèi)貸款的主要特征是：１、貸款本息逾期超過(guò)3個(gè)月，或有十足擔(dān)保，但貸款本息逾期超過(guò)１２個(gè)月。2、借款人經(jīng)營(yíng)狀況出現(xiàn)明顯問(wèn)題，營(yíng)業(yè)收入、財(cái)務(wù)狀況、現(xiàn)金流量等重要指標(biāo)出現(xiàn)惡化趨勢(shì)，借款人已不能正常歸還貸款本息,還款需要執(zhí)行擔(dān)保。3、擔(dān)保的價(jià)值可能不足以保證貸款本息的足額償付。4、借款人帶記錄或還款記錄不佳,或在向其他債權(quán)人還款方面出現(xiàn)困難.5、貸款檔案資料不全，重要文件缺失，影響對(duì)借款人經(jīng)營(yíng)狀況及擔(dān)保價(jià)值的正確判斷或可能影響借款人還款及擔(dān)保的法律責(zé)任。6、借款人還款意愿較差，有明顯的逃廢債務(wù)企圖。7、借款人借款過(guò)多,負(fù)債比例較高。8、借款人將貸款挪作他用，可能影響正常還款.9、借款人出現(xiàn)其它影響還款的非財(cái)務(wù)性重大事件。（四）可疑：借款人無(wú)法足額償還貸款本息,即使執(zhí)行擔(dān)保也肯定造成較大損失?？梢深?lèi)貸款的主要特征是：1、貸款本息逾期超過(guò)６個(gè)月。２、貸款擔(dān)保價(jià)值嚴(yán)重不足.３、已知借款人失蹤、死亡或?qū)嶋H破產(chǎn)。4、借款人已停業(yè)或即將停業(yè)或準(zhǔn)備清盤(pán)。5、已知借款人惡意逃廢債務(wù)且追索困難。６、借款人的還款責(zé)任出現(xiàn)法律糾紛且已進(jìn)入訴訟次序。(五）損失：在采取所有可能的措施或一切必要的法律程序之后,貸款本息仍然無(wú)法收回，或只能收回極少部分。損失類(lèi)貸款的主要特征是：１、經(jīng)法院強(qiáng)制執(zhí)行未能收回的貸款。法院終審判決銀行全額敗訴的貸款。雖勝訴但未在規(guī)定的時(shí)間內(nèi)向法院申請(qǐng)執(zhí)行.或借款人無(wú)財(cái)產(chǎn)收入可執(zhí)行，或因其它不可抗力無(wú)法執(zhí)行而損失的貸款。2、按貸款企業(yè)的凈資產(chǎn)對(duì)貸款的保證程度確認(rèn)，貸款無(wú)法收回或只能收回極少部分的貸款。3、貸款主合同已超過(guò)訴訟時(shí)效,借款人對(duì)任何主張債權(quán)的文件不予確認(rèn)，通過(guò)所有可能的措施和必要的法律程序均無(wú)法收回的貸款.４、未與借款人簽訂貸款合同(協(xié)議），或貸款合同（協(xié)議）原件滅失，以任何方式主張債權(quán)，借款人均不予以確認(rèn)的貸款。5、債務(wù)人和保證人依法宣告破產(chǎn)、解散、被撤銷(xiāo)（關(guān)閉），但以完全終止法人資格，銀行對(duì)債務(wù)人和保證人進(jìn)行追償后，未能收回的債權(quán)。6、借款人和保證人雖未依法宣告破產(chǎn)、解散、被撤銷(xiāo)（關(guān)閉）,但以完全停止經(jīng)營(yíng)活動(dòng)，被工商行政管理部門(mén)依法吊銷(xiāo)營(yíng)業(yè)執(zhí)照、終止法人資格，銀行對(duì)債務(wù)人和保證人進(jìn)行追償后，未能收回的債權(quán)。7、借款人沒(méi)有任何還款能力和資產(chǎn),而且貸款保證已過(guò)保證期間，保證人拒不履行保證責(zé)任;或保證人企業(yè)已破產(chǎn)，被公告撤銷(xiāo)、被撤銷(xiāo)（關(guān)閉）；或保證人經(jīng)營(yíng)狀況惡化，財(cái)務(wù)虧損，嚴(yán)重資不抵債，已完全不能履行保證責(zé)任的貸款。8、借款人死亡,或者依照《中華人民共和國(guó)民法通則》的規(guī)定宣告失蹤或死亡，銀行依法對(duì)其財(cái)產(chǎn)或遺產(chǎn)進(jìn)行清償,并對(duì)保證人進(jìn)行追償后未能收回的債權(quán)。9、借款人遭受重大自然災(zāi)害或者意外事故,損失巨大且不能獲得保險(xiǎn)賠償,回者接受保險(xiǎn)賠償后,確實(shí)無(wú)力償還部分或全部債務(wù)，銀行對(duì)其財(cái)產(chǎn)進(jìn)行清償和對(duì)保證人進(jìn)行追償后,未能收回的債權(quán)。１0、借款人觸犯刑律，依法受到制裁,其財(cái)產(chǎn)不足歸還所借債務(wù),又無(wú)其他債務(wù)承擔(dān)者，銀行追償后確實(shí)無(wú)法收回的債權(quán)。11、借款人已不能償還到期債務(wù)，銀行對(duì)依法取得的抵債資產(chǎn)，按評(píng)估確認(rèn)的市場(chǎng)公允價(jià)值入帳后,抵除抵債資產(chǎn)接收費(fèi)用,小于債權(quán)的差額,經(jīng)追償后無(wú)法收回的債權(quán)。１２、其他可能或已經(jīng)造成貸款本息全部或大部分損失的情況。八、貸款本息逾期時(shí)間是貸款質(zhì)量五級(jí)分類(lèi)中十分重要的客觀標(biāo)準(zhǔn)，如無(wú)充分的理由，則該項(xiàng)貸款的分類(lèi)不應(yīng)高于基于逾期時(shí)間的分類(lèi)級(jí)別。九、即使貸款本息逾期時(shí)間未達(dá)到某類(lèi)別的標(biāo)準(zhǔn),如貸款符合該類(lèi)別的其他主要特征,該項(xiàng)貸款的分類(lèi)也不應(yīng)高于該類(lèi)別。十、如貸款符合多項(xiàng)類(lèi)別的分類(lèi)標(biāo)準(zhǔn)，則該貸款的分類(lèi)應(yīng)歸入這些類(lèi)別的最低一檔。十一、重組貸款是指借款人無(wú)法正常還款而對(duì)還款條件做出調(diào)整的貸款，包括直接轉(zhuǎn)期的借新還舊貸款和為盤(pán)活資產(chǎn)而追加的貸款,需要重組貸款的分類(lèi)不得高于次級(jí)類(lèi),重組后的貸款如果仍然逾期，或借款人仍然無(wú)力或缺乏誠(chéng)意歸還貸款，其分類(lèi)不得高于可疑類(lèi)。重組貸款如按修訂后的還款條件正常還款(其中按月正常還款6個(gè)月以上的，按季或半年正常還款一年以上的,按年正常還款2年以上的），可考慮升級(jí)至關(guān)注或正常類(lèi)。十二、違規(guī)貸款是指違反國(guó)家法律、法規(guī)和商業(yè)銀行內(nèi)部管理制度發(fā)放的貸款。違規(guī)貸款的風(fēng)險(xiǎn)分類(lèi)應(yīng)比照同等情況一般貸款下調(diào)一級(jí)分類(lèi)。十三、對(duì)借款人利用破產(chǎn)、解散、分立、兼并、租賃、轉(zhuǎn)讓、承包等形式惡意逃廢債務(wù)的，如貸款本息未逾期，則其分類(lèi)不得高于關(guān)注類(lèi);如貸款本息已逾期，則其分類(lèi)不得高于次級(jí)類(lèi)。十四、帳外經(jīng)營(yíng)發(fā)放的貸款，對(duì)還款責(zé)任明確的，如貸款本息未逾期，則其分類(lèi)不得高于關(guān)注類(lèi)；如貸款本息已逾期,則其分類(lèi)不得高于次級(jí)類(lèi)。對(duì)還款責(zé)任未明確的,則其分類(lèi)不得高于可疑類(lèi)；對(duì)帳外經(jīng)營(yíng)掛帳的應(yīng)收帳款,其分類(lèi)不得高于可疑類(lèi)。十五、行政干預(yù)發(fā)放的貸款,其風(fēng)險(xiǎn)分類(lèi)應(yīng)比照同等情況的一般貸款下調(diào)一級(jí)分類(lèi)。十六、除非有足夠的理由,信用貸款和保證貸款應(yīng)比照同等情況的一般貸款下調(diào)一級(jí)分類(lèi)。十七、對(duì)同一借款人有多筆貸款的,如果擔(dān)保條件完全相同，在不影響總的分類(lèi)結(jié)果的前提下，可以將多筆貸款合并后進(jìn)行風(fēng)險(xiǎn)分類(lèi)，對(duì)能夠明確界定可能償還比例的單筆貸款，可以按償還可能性拆分成多筆進(jìn)行風(fēng)險(xiǎn)分類(lèi)。十八、對(duì)特殊類(lèi)別的貸款,如個(gè)體工商戶(hù)信用貸款、銀行卡透支、個(gè)人住房貸款、個(gè)人消費(fèi)貸款，助學(xué)貸款等,可根據(jù)各種貸款自身的特點(diǎn)，按照上述分類(lèi)標(biāo)準(zhǔn)的基本原則調(diào)整各自的分類(lèi)標(biāo)準(zhǔn)。十九、城市商業(yè)銀行應(yīng)該按照審慎會(huì)計(jì)原則建立貸款損失準(zhǔn)備金提取制度，合理估計(jì)貸款可能發(fā)生的損失，及時(shí)計(jì)提貸款損失準(zhǔn)備金.二十、貸款損失準(zhǔn)備金包括一般準(zhǔn)備金，專(zhuān)項(xiàng)準(zhǔn)備金和特種準(zhǔn)備金.二十一、一般準(zhǔn)備金按季計(jì)提。一般準(zhǔn)備金的年末余額不低于年末貸款余額的1％.專(zhuān)項(xiàng)和特種準(zhǔn)備金應(yīng)按季提取.二十二、關(guān)注、次級(jí)、可疑、損失類(lèi)貸款應(yīng)提取專(zhuān)項(xiàng)準(zhǔn)備金，其中關(guān)注類(lèi)專(zhuān)項(xiàng)準(zhǔn)備金不低于該筆貸款無(wú)抵(質(zhì)）押部分的２％，次級(jí)類(lèi)專(zhuān)項(xiàng)準(zhǔn)備金不低于該筆貸款無(wú)抵（質(zhì)）押部分的２0%，可疑類(lèi)專(zhuān)項(xiàng)準(zhǔn)備金不低于該筆貸款無(wú)抵(質(zhì)）押部分的4０%，損失類(lèi)專(zhuān)項(xiàng)準(zhǔn)備金的提取標(biāo)準(zhǔn)為該筆貸款無(wú)抵（質(zhì)）押部分的100％。本條所稱(chēng)貸款無(wú)抵（質(zhì))押部分，是指貸款本息與貸款抵(質(zhì)）押物價(jià)值之間的差額部分。二十三、貸款抵(質(zhì)）押物價(jià)值的評(píng)估應(yīng)遵循以下原則：（一）對(duì)貸款抵（質(zhì)）押物價(jià)值的評(píng)估應(yīng)客觀、審慎。（二)抵(質(zhì))押物價(jià)值的評(píng)估應(yīng)由貸款人認(rèn)可的中介評(píng)估機(jī)構(gòu)作出。（三）各類(lèi)貸款抵(質(zhì)）押物價(jià)值的折扣率應(yīng)有明確的內(nèi)部政策。（四)抵(質(zhì))押物價(jià)值評(píng)估應(yīng)充分考慮抵（質(zhì)）押物的市場(chǎng)流動(dòng)性和變現(xiàn)能力.(五）抵(質(zhì))押物價(jià)值評(píng)估至少每半年更新一次,如抵（質(zhì))押物的價(jià)值或控制權(quán)出現(xiàn)重大問(wèn)題應(yīng)實(shí)時(shí)重新評(píng)估。二十四、特殊類(lèi)別貸款如銀行卡透支、個(gè)人住房貸款、個(gè)人消費(fèi)貸款,助學(xué)貸款、個(gè)體工商戶(hù)信用貸款等應(yīng)提取特種準(zhǔn)備金。特種準(zhǔn)備金的提取標(biāo)準(zhǔn)可根據(jù)本行或同業(yè)以往的損失記錄確定特殊類(lèi)別貸款的損失概率,按可能損失的100％提取。二十五、上述貸款損失準(zhǔn)備金的提取標(biāo)準(zhǔn)是對(duì)貸款損失概率的粗略概算,只有在不能準(zhǔn)確計(jì)算貸款損失金額的情況下予以采用。有條件的應(yīng)逐一評(píng)估每筆貸款的實(shí)際損失，按實(shí)際損失金額的100％提取準(zhǔn)備金.二十六、貸款質(zhì)量五級(jí)分類(lèi)必須嚴(yán)格按照分類(lèi)的標(biāo)準(zhǔn)，方法、程序進(jìn)行初分和認(rèn)定,并按審批權(quán)限進(jìn)行審批。二十七、貸款質(zhì)量五級(jí)分類(lèi)基本流程為：(一）分類(lèi)準(zhǔn)備1、整理、收集貸款檔案資料。由貸款經(jīng)營(yíng)部門(mén)收集借款人基礎(chǔ)信息，包括借款人的基本情況、借款人和保證人的財(cái)務(wù)信息、擔(dān)保資料、往來(lái)函件、債務(wù)人償還記錄、銀行催收通知書(shū)、貸后跟蹤管理報(bào)告等重要文件，為貸款風(fēng)險(xiǎn)分類(lèi)做好準(zhǔn)備.2、錄入貸款管理信息系統(tǒng)。有貸款管理電子信息系統(tǒng)的,貸款經(jīng)營(yíng)部門(mén)負(fù)責(zé)借款人信息資料的錄入.3、及時(shí)更新借款人資料。借款人資料至少每季度全面更新一次。借款人出現(xiàn)重大問(wèn)題時(shí)，借款人資料應(yīng)及時(shí)更新。（二)初步分類(lèi)貸款經(jīng)營(yíng)部門(mén)分析借款人資料，撰寫(xiě)債務(wù)人的背景材料，填寫(xiě)分類(lèi)工作初稿，并按照五級(jí)分類(lèi)的標(biāo)準(zhǔn)、方法和要求提出初步分類(lèi)意見(jiàn)，提交信貸風(fēng)險(xiǎn)管理部門(mén)復(fù)審和認(rèn)定。（三)分類(lèi)復(fù)審貸款風(fēng)險(xiǎn)管理部門(mén)對(duì)貸款經(jīng)營(yíng)部門(mén)提交的借款人貸款資料,分類(lèi)認(rèn)定工作底稿、分類(lèi)初步意見(jiàn)等資料進(jìn)行復(fù)審。貸款風(fēng)險(xiǎn)管理部門(mén)應(yīng)與貸款經(jīng)營(yíng)部門(mén)充分溝通，對(duì)分類(lèi)初步意見(jiàn)充分討論。貸款經(jīng)營(yíng)部門(mén)應(yīng)根據(jù)貸款風(fēng)險(xiǎn)管理部門(mén)的要求,及時(shí)補(bǔ)充和完善客戶(hù)信息和分類(lèi)資料.（四)分類(lèi)認(rèn)定貸款風(fēng)險(xiǎn)管理部門(mén)根據(jù)分類(lèi)資料進(jìn)行綜合判斷，提出分類(lèi)認(rèn)定意見(jiàn).（五)分類(lèi)結(jié)果審批應(yīng)建立貸款風(fēng)險(xiǎn)分類(lèi)審批制度,明確各級(jí)、各類(lèi)單位對(duì)五級(jí)分類(lèi)結(jié)果的批準(zhǔn)權(quán)限。根據(jù)審批權(quán)限的規(guī)定，各級(jí)、各類(lèi)單位對(duì)分類(lèi)結(jié)果審查并簽署意見(jiàn)后，報(bào)風(fēng)險(xiǎn)管理委員會(huì)批準(zhǔn)。（六）提出改進(jìn)意見(jiàn)風(fēng)險(xiǎn)管理委員會(huì)，貸款風(fēng)險(xiǎn)管理及其他相關(guān)部門(mén)在分類(lèi)、認(rèn)定和審批過(guò)程中,應(yīng)對(duì)貸款經(jīng)營(yíng)和管理中存在的問(wèn)題提出意見(jiàn)并及時(shí)反饋給貸款經(jīng)營(yíng)部門(mén)。二十八、貸款質(zhì)量五級(jí)分類(lèi)工作至少每半年進(jìn)行一次,如借款人出現(xiàn)重大問(wèn)題，該項(xiàng)貸款的分類(lèi)應(yīng)按規(guī)定的審批程序?qū)崟r(shí)進(jìn)行調(diào)整.二十九、貸款質(zhì)量五級(jí)分類(lèi)的審批應(yīng)符合以下要求:（一)應(yīng)建立以分類(lèi)授權(quán)為核心的五級(jí)分類(lèi)審批制度，保證貸款質(zhì)量五級(jí)分類(lèi)工作的有序進(jìn)行。(二）貸款經(jīng)營(yíng)負(fù)責(zé)本部門(mén)經(jīng)營(yíng)的貸款檔案資料收集、貸款風(fēng)險(xiǎn)初步分類(lèi)和參加分類(lèi)認(rèn)定工作。其中，貸款經(jīng)營(yíng)人員收集其負(fù)責(zé)的借款人的貸款資料，提出初步分類(lèi)意見(jiàn)并提交其上級(jí)。貸款經(jīng)營(yíng)部門(mén)逐級(jí)審核并經(jīng)各級(jí)負(fù)責(zé)人簽字確認(rèn)后，提交貸款風(fēng)險(xiǎn)管理部門(mén)認(rèn)定.（三）為簡(jiǎn)化工作程序，貸款風(fēng)險(xiǎn)管理部門(mén)可于貸款經(jīng)營(yíng)部門(mén)設(shè)置貸款風(fēng)險(xiǎn)管理崗位,貸款風(fēng)險(xiǎn)管理崗位工作人員可經(jīng)貸款風(fēng)險(xiǎn)管理部門(mén)授權(quán)，認(rèn)定并批準(zhǔn)本級(jí)貸款經(jīng)營(yíng)部門(mén)貸款授權(quán)限額內(nèi)正常和關(guān)注類(lèi)的貸款風(fēng)險(xiǎn)分類(lèi)。貸款風(fēng)險(xiǎn)管理崗位工作人員隸屬貸款風(fēng)險(xiǎn)管理部門(mén),獨(dú)立于貸款經(jīng)營(yíng)部門(mén)，貸款風(fēng)險(xiǎn)管理崗位工作人員應(yīng)實(shí)行崗位輪換制度,即在同一貸款經(jīng)營(yíng)部門(mén)工作時(shí)間不得超過(guò)2年.（四)貸款風(fēng)險(xiǎn)管理部門(mén)在一定限額內(nèi)，對(duì)正常、關(guān)注、次級(jí)和可疑類(lèi)貸款進(jìn)行認(rèn)定和批準(zhǔn)應(yīng)經(jīng)風(fēng)險(xiǎn)管理委員會(huì)授權(quán)。(五）經(jīng)董事會(huì)授權(quán),風(fēng)險(xiǎn)管理委員會(huì)負(fù)責(zé)制定本行貸款分類(lèi)政策和制度,對(duì)大額貸款的風(fēng)險(xiǎn)分類(lèi)和損失類(lèi)貸款進(jìn)行認(rèn)定和批準(zhǔn)，對(duì)有爭(zhēng)議的貸款分類(lèi)具有最后裁決權(quán)。三十、貸款抵(質(zhì))押物價(jià)值評(píng)估結(jié)果的認(rèn)定和批準(zhǔn)比照貸款質(zhì)量五級(jí)分類(lèi)的程序和審批制度執(zhí)行。三十一、準(zhǔn)備金提取程序?yàn)椋海ㄒ唬┵J款風(fēng)險(xiǎn)管理部門(mén)應(yīng)按季及時(shí)向會(huì)計(jì)部門(mén)提交貸款基本資料，貸款抵（質(zhì))押物價(jià)值評(píng)估和貸款質(zhì)量五級(jí)分類(lèi)結(jié)果的明細(xì)帳目。（二）會(huì)計(jì)部門(mén)根據(jù)貸款損失準(zhǔn)備金提取標(biāo)準(zhǔn)制定準(zhǔn)備金提取方案。（三）準(zhǔn)備金提取方案報(bào)董事會(huì)或董事會(huì)授權(quán)的機(jī)構(gòu)復(fù)審和審批。貸款損失準(zhǔn)備金的提取政策應(yīng)符合財(cái)政部和國(guó)家稅務(wù)總局的有關(guān)規(guī)定。(四）會(huì)計(jì)部門(mén)根據(jù)批準(zhǔn)的準(zhǔn)備金提取方案進(jìn)行相應(yīng)的會(huì)計(jì)處理。(五）及時(shí)核銷(xiāo)損失類(lèi)貸款.三十二、應(yīng)建立直接對(duì)董事會(huì)負(fù)責(zé)的風(fēng)險(xiǎn)管理委員會(huì)或類(lèi)似的專(zhuān)門(mén)機(jī)構(gòu)，全面負(fù)責(zé)貸款質(zhì)量五級(jí)分類(lèi)工作。三十三、風(fēng)險(xiǎn)管理委員會(huì)應(yīng)由行長(zhǎng)，貸款經(jīng)營(yíng)和風(fēng)險(xiǎn)管理的主管副行長(zhǎng)、貸款經(jīng)營(yíng)、貸款風(fēng)險(xiǎn)管理、財(cái)務(wù)會(huì)計(jì)、內(nèi)部審計(jì)、法律事務(wù)等相關(guān)部門(mén)的主要負(fù)責(zé)人及董事會(huì)有關(guān)成員組成，風(fēng)險(xiǎn)管理委員會(huì)的議事規(guī)則，決策程序由董事會(huì)制定或批準(zhǔn)。三十四、貸款質(zhì)量五級(jí)分類(lèi)具體工作由貸款風(fēng)險(xiǎn)管理部門(mén)負(fù)責(zé)，貸款風(fēng)險(xiǎn)管理部門(mén)應(yīng)獨(dú)立于貸款經(jīng)營(yíng)部門(mén)，貸款風(fēng)險(xiǎn)管理人員不能由貸款客戶(hù)經(jīng)理兼任,貸款經(jīng)營(yíng)部門(mén)和貸款風(fēng)險(xiǎn)管理部門(mén)不能直接對(duì)同一上級(jí)負(fù)責(zé)。三十五、貸款質(zhì)量五級(jí)分類(lèi)工作應(yīng)防止由貸款經(jīng)營(yíng)人員控制.三十六、貸款質(zhì)量五級(jí)分類(lèi)涉及貸款風(fēng)險(xiǎn)管理、貸款經(jīng)營(yíng)、財(cái)務(wù)會(huì)計(jì)、內(nèi)部審計(jì)、信息技術(shù)、法律事務(wù)等業(yè)務(wù)部門(mén),主要職責(zé)分別如下：貸款風(fēng)險(xiǎn)管理部門(mén)的主要職責(zé)是：1、全面負(fù)責(zé)貸款質(zhì)量五級(jí)分類(lèi)的組織實(shí)施。2、審計(jì)和分析貸款經(jīng)營(yíng)部門(mén)提供的借款人貸款資料、分類(lèi)材料的真實(shí)性、準(zhǔn)確性和完整性。3、對(duì)貸款經(jīng)營(yíng)部門(mén)的初步分類(lèi)結(jié)果進(jìn)行復(fù)審。４、根據(jù)審批權(quán)限對(duì)分類(lèi)結(jié)果進(jìn)行認(rèn)定和審批.5、向上級(jí)和相關(guān)部門(mén)提供貸款質(zhì)量五級(jí)分類(lèi)信息。6、負(fù)責(zé)分類(lèi)材料的存檔和管理。7、填制各種貸款分類(lèi)信息表。貸款經(jīng)營(yíng)部門(mén)的主要職責(zé)是：１、負(fù)責(zé)收集借款人信息并及時(shí)更新貸款檔案資料，并對(duì)分類(lèi)基層資料的真實(shí)、完整和準(zhǔn)確負(fù)責(zé)。2、負(fù)責(zé)貸款質(zhì)量五級(jí)分類(lèi)的初分，參與分類(lèi)的認(rèn)定。３、建立和保管客戶(hù)貸款信息及臺(tái)帳，并定期與貸款風(fēng)險(xiǎn)管理、會(huì)計(jì)和信息統(tǒng)計(jì)部門(mén)核對(duì)帳目。4、落實(shí)貸款風(fēng)險(xiǎn)管理、會(huì)計(jì)等部門(mén)分類(lèi)整改意見(jiàn)。(三）會(huì)計(jì)部門(mén)的主要職責(zé)是：負(fù)責(zé)制定貸款損失準(zhǔn)備金提取方案；參與貸款損失準(zhǔn)備金提取的審批；對(duì)提取的分類(lèi)結(jié)果和貸款損失準(zhǔn)備金提取進(jìn)行相關(guān)的帳務(wù)處理；提供貸款質(zhì)量五級(jí)分類(lèi)統(tǒng)計(jì)信息。(四）內(nèi)部審計(jì)部門(mén)的主要職責(zé)是：定期和不定期的對(duì)貸款風(fēng)險(xiǎn)分類(lèi)過(guò)程和結(jié)果進(jìn)行檢查；對(duì)損失類(lèi)貸款進(jìn)行重點(diǎn)審計(jì);參加貸款質(zhì)量五級(jí)分類(lèi)審批工作。（五）信息技術(shù)部門(mén)的主要職責(zé)是:負(fù)責(zé)貸款風(fēng)險(xiǎn)分類(lèi)信息管理系統(tǒng)的開(kāi)發(fā)和維護(hù)。(六)法律事務(wù)部門(mén)的主要職責(zé)是:對(duì)貸款風(fēng)險(xiǎn)分類(lèi)過(guò)程和結(jié)果提出法律意見(jiàn)；參加貸款質(zhì)量五級(jí)分類(lèi)審批工作.三十七、應(yīng)建立對(duì)貸款質(zhì)量五級(jí)分類(lèi)的內(nèi)部監(jiān)察制度.三十八、內(nèi)部審計(jì)部門(mén)應(yīng)將貸款質(zhì)量五級(jí)分類(lèi)的檢查列入日常工作。三十九、內(nèi)部審計(jì)部門(mén)對(duì)貸款質(zhì)量五級(jí)分類(lèi)的主要檢查內(nèi)容是：（一）貸款風(fēng)險(xiǎn)分類(lèi)政策、制度是否符合有關(guān)法律法規(guī)，是否足夠?qū)徤?。（?貸款風(fēng)險(xiǎn)分類(lèi)的操作是否符合規(guī)定的標(biāo)準(zhǔn)、方法、程序和審批權(quán)限；貸款風(fēng)險(xiǎn)分類(lèi)的結(jié)果是否真實(shí)、準(zhǔn)確.(三）貸款損失準(zhǔn)備金的提取是否符合規(guī)定的標(biāo)準(zhǔn)、方法、程序和審批權(quán)限;準(zhǔn)備金提取是否準(zhǔn)確.分類(lèi)基礎(chǔ)資料是否真實(shí)、準(zhǔn)確和完整。四十、貸款風(fēng)險(xiǎn)分類(lèi)的內(nèi)部審計(jì)工作應(yīng)以定期和不定期、現(xiàn)場(chǎng)和非現(xiàn)場(chǎng)相結(jié)合的形式進(jìn)行。四十一、內(nèi)部審計(jì)部門(mén)、外部審計(jì)部門(mén)和人民銀行對(duì)貸款質(zhì)量五級(jí)分類(lèi)的檢查結(jié)果應(yīng)作為考核貸款管理和風(fēng)險(xiǎn)分類(lèi)情況的重要依據(jù)?；诙鄠鞲衅餍畔⑷诤系臄?shù)控機(jī)床故障診斷研究引言數(shù)控機(jī)床具有加工柔性好、加工精度高、加工質(zhì)量穩(wěn)定、生產(chǎn)率高等諸多特點(diǎn)，但其結(jié)構(gòu)和運(yùn)行工況也很復(fù)雜，一旦機(jī)床發(fā)生故障，引起故障的因素眾多，有機(jī)械方面的，有電氣方面的,同時(shí)同一種故障往往有不同的表現(xiàn)，同一種癥狀又常常是幾種故障共同作用的結(jié)果,故障的多樣性、復(fù)雜性和各故障之間的復(fù)雜聯(lián)系構(gòu)成了數(shù)控機(jī)床故障診斷中的重點(diǎn)和難點(diǎn)。每個(gè)傳感器都有一定的功能和測(cè)量范圍，單個(gè)傳感器的數(shù)據(jù)從某個(gè)側(cè)面反應(yīng)被測(cè)對(duì)象或系統(tǒng)的情況，難免帶有一定的局限性。僅僅通過(guò)單一傳感器的特征提取和診斷分析將無(wú)法成功完成對(duì)數(shù)控機(jī)床的故障診斷任務(wù)。因此多傳感器數(shù)據(jù)融合技術(shù)顯得尤為重要,它能克服傳感器使用的局限性和傳感器信息的不準(zhǔn)確性,充分地、綜合地、更有效地利用多傳感器信息,減少信息的模糊性,增加決策可信度，提高對(duì)數(shù)控機(jī)床的故障診斷的準(zhǔn)確率.多傳感器數(shù)據(jù)融合是一種重要的傳感器信息處理方法,它起源于2０世紀(jì)７0年代,最早被應(yīng)用于軍事領(lǐng)域，用于解決目標(biāo)識(shí)別與跟蹤、狀態(tài)與身份估計(jì)、態(tài)勢(shì)和威脅估計(jì)等技術(shù)問(wèn)題。它能充分利用不同時(shí)間與空間的多傳感器數(shù)據(jù)資源，在一定準(zhǔn)則下進(jìn)行分析、綜合、支配和使用,得到對(duì)被測(cè)對(duì)象的一致性解釋和描述，并做出相應(yīng)的判斷、估計(jì)和決策。多傳感器數(shù)據(jù)融合有多種算法，其中,Ｄ—S證據(jù)理論方法的應(yīng)用最為廣泛.本文主要建立了基于多傳感器信息融合的數(shù)控機(jī)床二級(jí)故障診斷系統(tǒng)：基于自適應(yīng)加權(quán)算法的一級(jí)融合，基于D—S證據(jù)理論的二級(jí)融合。然后利用某一論文中的數(shù)控機(jī)床的測(cè)量數(shù)據(jù),通過(guò)MATＬAB軟件對(duì)其進(jìn)行分析計(jì)算，最后得出結(jié)論。２．基于多傳感器信息融合的二級(jí)故障診斷系統(tǒng)本文介紹了一種基于多傳感器信息融合的二級(jí)故障診斷系統(tǒng)：基于自適應(yīng)加權(quán)算法的一級(jí)融合,基于D—Ｓ證據(jù)理論的二級(jí)融合,如圖1所示。圖1數(shù)控機(jī)床二級(jí)故障診斷系統(tǒng)2。1基于自適應(yīng)加權(quán)算法的一級(jí)融合傳感器是自動(dòng)化領(lǐng)域一種重要的檢測(cè)和測(cè)量裝置，當(dāng)傳感器出現(xiàn)故障時(shí)，其測(cè)量值有可能?chē)?yán)重偏離實(shí)際值，而此時(shí)仍對(duì)傳感器的測(cè)量數(shù)據(jù)進(jìn)行融合,就會(huì)影響數(shù)據(jù)融合的精度，因此有必要在傳感器數(shù)據(jù)融合之前確保數(shù)據(jù)的有效性，對(duì)其進(jìn)行一致性檢測(cè).2．1。1傳感器數(shù)據(jù)一致性檢測(cè)假設(shè)有N個(gè)同類(lèi)（同質(zhì))傳感器測(cè)量同一目標(biāo),其中任意兩個(gè)傳感器i、j的測(cè)量值分別為、（）,且，均服從正態(tài)分布。為檢測(cè)傳感器測(cè)量值，之間的偏差大小，引入一個(gè)新概念-相融距離測(cè)度。反映了i、j兩個(gè)傳感器之間的融合程度。值越大，則ｉ、ｊ兩個(gè)傳感器的測(cè)量值，偏差越大；越小,則偏差越小。的計(jì)算公式如下：（1）其中F(X）為標(biāo)準(zhǔn)正太分布函數(shù)。所有N個(gè)傳感器兩兩之間的相融距離測(cè)度構(gòu)成一個(gè)多傳感器數(shù)據(jù)融合度矩陣：(2）設(shè)的臨界值為,則(3）則多傳感器相融矩陣為（4）為ｉ、j兩個(gè)傳感器之間的融合度，當(dāng)時(shí)，說(shuō)明i、j兩個(gè)傳感器測(cè)量值偏差較大,互不支持；反之當(dāng)＝１時(shí),說(shuō)明i、ｊ兩個(gè)傳感器測(cè)量值偏差較小,互相支持。如果一個(gè)傳感器與其他大多數(shù)傳感器都互不支持,其測(cè)量值極有可能為無(wú)效數(shù)據(jù)，應(yīng)予以剔除。如果該傳感器的測(cè)量值經(jīng)常無(wú)效,技術(shù)人員應(yīng)該考慮檢查是否易發(fā)生故障,如果是，應(yīng)予以更換或維修。相反，一個(gè)傳感器被大多數(shù)傳感器所支持，則該傳感器數(shù)據(jù)有效,可以用于后期的融合。自適應(yīng)加權(quán)算法在實(shí)際使用中,各個(gè)傳感器的測(cè)量精度不同，導(dǎo)致其置信度也各不相同。局部融合中也采用自適應(yīng)加權(quán)融合算法,其核心思想是：為了獲取最優(yōu)融合結(jié)果，基于所有傳感器的測(cè)量值,自適應(yīng)地查找總體方差最小情況下各個(gè)傳感器所對(duì)應(yīng)的最優(yōu)加權(quán)因子。設(shè)有n個(gè)傳感器對(duì)某一對(duì)象進(jìn)行測(cè)量,其方差分別為，所要估計(jì)的真值為X；各傳感器的測(cè)量值分別為都是Ｘ的無(wú)偏估計(jì)，且彼此相互獨(dú)立；各傳感器的加權(quán)因子分別為,則融合后的值和各加權(quán)因子滿(mǎn)足以下條件：(5）則總體方差為（６）由式(6）知,總體方差是關(guān)于傳感器各加權(quán)因子的多元二次函數(shù),一定存在最小值,其最小總體方差為（7)其對(duì)應(yīng)的最優(yōu)加權(quán)因子為(8）對(duì)于單個(gè)傳感器，可計(jì)算其歷史時(shí)刻數(shù)據(jù)的均值，來(lái)估計(jì)其真值。第p個(gè)傳感器連續(xù)測(cè)量k次的平均值為（9）則融合后的計(jì)算值為（10）總體方差為（１1）此時(shí)最小總體方差為（1２)２。1.3基于Ｄ-Ｓ證據(jù)理論的二級(jí)融合全局融合中心是基于多傳感器信息融合的故障診斷系統(tǒng)的核心部分，它采用了一種混合的D－S證據(jù)理論算法,即將基于典型樣本的信度函數(shù)分配方法和改進(jìn)的D－Ｓ證據(jù)組合規(guī)則相結(jié)合?；诘湫蜆颖镜男哦群瘮?shù)分配方法為局部融合后的各傳感器數(shù)據(jù)信息分配基本概率值,利用Ｄ-Ｓ證據(jù)組合規(guī)則得到各目標(biāo)故障模式在所有證據(jù)信息聯(lián)合作用下的基本概率分配,最后在一定的決策規(guī)則下，選擇支持度最大的故障假設(shè)。D-S證據(jù)理論設(shè)Ω為X的識(shí)別框架，框架內(nèi)所有元素之間互相排斥。如果存在集函數(shù)m：2Ω［0，１]，滿(mǎn)足一下兩個(gè)條件:(１3）其中表示空集，m為命題的基本概率值，也稱(chēng)為識(shí)別框架Ω上的信度函數(shù)分配，m（A)表示對(duì)命題Ａ的信任支持程度。對(duì)所有的命題:（14）其中，分別稱(chēng)為命題A信任函數(shù)、懷疑函數(shù)和似真函數(shù)。命題A的Ｄ-S證據(jù)的不確定性區(qū)間如圖2所示.圖２D—S的不確定性區(qū)間對(duì)兩個(gè)獨(dú)立證據(jù)和進(jìn)行信度融合，其Dempster合成規(guī)則公式為：(1５）多個(gè)獨(dú)立證據(jù)的信度融合公式為(１６）Deｍｐster準(zhǔn)則具有交換性和結(jié)合性，多于兩個(gè)證據(jù)的情況下,可以對(duì)它們進(jìn)行兩兩的組合，直到合并為一個(gè)證據(jù)體，而且合并的順序不影響最后的組合結(jié)果。綜上所述,應(yīng)用D-Ｓ證據(jù)理論進(jìn)行信息融合分析主要有兩個(gè)步驟:1）信度函數(shù)分配；２）D－S組合規(guī)則的算法實(shí)現(xiàn)。2.基于典型樣本的信度函數(shù)分配將Ｄ－Ｓ證據(jù)理論應(yīng)用到數(shù)控機(jī)床的故障診斷中時(shí)，需要事先定義每個(gè)證據(jù)體對(duì)目標(biāo)故障命題的信度函數(shù)分配值。為了便于識(shí)別實(shí)際機(jī)床故障，減少對(duì)專(zhuān)家經(jīng)驗(yàn)的過(guò)度依賴(lài),本文采用了基于典型樣本的證據(jù)理論信度函數(shù)分配構(gòu)造方法.在構(gòu)造信度函數(shù)分配時(shí),以置信區(qū)間形式的典型樣本為參考數(shù)據(jù)，計(jì)算劇本融合后各傳感器證據(jù)在各個(gè)目標(biāo)故障下的信度密度，并對(duì)其進(jìn)行歸一化處理各傳感器數(shù)據(jù)的信度函數(shù)分配.設(shè)目標(biāo)故障模式為，能描述故障模式的一組特征變量為，其典型樣本的典型值為，置信區(qū)間為。特征變量滿(mǎn)足正態(tài)分布,將其概率密度函數(shù)轉(zhuǎn)變?yōu)樾哦让芏群瘮?shù):（17)其中：。取置信概率p=0。9973時(shí)，.對(duì)所有的信度密度函數(shù)統(tǒng)一地進(jìn)行歸一化操作，則證據(jù)的n+1個(gè)信度密度函數(shù)值之和為:(1８)其中為不確定的信度密度值,且.證據(jù)在所有目標(biāo)故障模式下的不確定度為:（19）3.應(yīng)用舉例由于實(shí)驗(yàn)條件的限制,并未做相關(guān)的實(shí)驗(yàn).下面以網(wǎng)上某一論文上的長(zhǎng)征７１8機(jī)床關(guān)鍵機(jī)械部件的診斷實(shí)例為例,詳細(xì)闡述基于多傳感器信息融合的診斷系統(tǒng)模型在數(shù)控加工單元故障診斷中的應(yīng)用。長(zhǎng)征71８機(jī)床７方向進(jìn)給系統(tǒng)包括機(jī)床床身、工作臺(tái)、Y向?qū)к墶向滾珠絲杠副、滾動(dòng)軸承等主要機(jī)械結(jié)構(gòu)部件。數(shù)控機(jī)床進(jìn)給時(shí),進(jìn)給驅(qū)動(dòng)電機(jī)通過(guò)連接的聯(lián)軸器將驅(qū)動(dòng)力矩傳遞給滾珠絲杠副，滾珠絲枉副克服旋轉(zhuǎn)的阻力和阻力矩，將自身的旋轉(zhuǎn)運(yùn)動(dòng)轉(zhuǎn)變?yōu)橹本€運(yùn)動(dòng)實(shí)現(xiàn)進(jìn)給傳動(dòng).長(zhǎng)征71８機(jī)床Y向進(jìn)給系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖如圖3所示.為了便于監(jiān)測(cè)和診斷機(jī)床主軸的工作狀態(tài)，將壓電式加速度傳感器、溫度傳感器和聲發(fā)射傳感器安裝在機(jī)床的關(guān)鍵機(jī)械部件上,所有傳感器的整體布局如表1所示。圖3長(zhǎng)征718機(jī)床Y向進(jìn)給系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖表1機(jī)床傳感器布置方案部件傳感器類(lèi)型數(shù)量傳感器安裝位置機(jī)床主軸振動(dòng)傳感器1主軸箱體前端面溫度傳感器4主軸箱體圓柱表面均勻分布聲發(fā)射傳感器１主軸前端蓋附近，盡量靠近主軸前端3。1基于自適應(yīng)加權(quán)算法的一級(jí)融合選取主軸齒輪磨損、絲杠潤(rùn)滑不良、導(dǎo)軌潤(rùn)滑不良出現(xiàn)時(shí)的一組傳感器測(cè)量數(shù)據(jù)(測(cè)量信號(hào)均為電壓信號(hào)，單位為伏特）作為分析的對(duì)象,其值如表２所示：表2機(jī)床出現(xiàn)故障的一組傳感器測(cè)量數(shù)據(jù)機(jī)械主軸絲杠導(dǎo)軌ＺＺaZZvSGaSＧtSGvＤGaＤＧtDＧv4。2１54。3734。3841.5294.692５．２６23.8246。1594。92１4．０146.7564.95３針對(duì)同一測(cè)量對(duì)象的同質(zhì)傳感器，首先應(yīng)對(duì)其測(cè)量數(shù)據(jù)進(jìn)行初步融合，即數(shù)據(jù)一致性檢測(cè)和自適應(yīng)加權(quán)平均。在本例中指的是溫度傳感器。MＡTＬAＢ程序和結(jié)果如下所示：程序:clear；ｃｌc;Ｚ=[4。37３4。38４1。5２94．６9２］;ｓｉgｍa=var（Z)；D＝zeros(4,4);for(i=1:４)fｏｒ(ｊ=１:4)D（i，ｊ）=2＊abｓ(noｒmpdf(（Ｚ(j)－Z（i）)/sigｍa,0，1)-0．5）;ｅndenbｅitａ=0。3；foｒ（i=１:4）for(ｊ=1:４）ｉfD(i,j）＞ｂeitaD（i，ｊ)=0；elseD(i，j)＝1;endendeｎｄＤ結(jié)果:Ｄ=1１01110100101１０1由多傳感器相容性矩陣分析得知,第三組傳感器測(cè)量的數(shù)據(jù)與其他傳感器測(cè)量的數(shù)據(jù)偏差較大，予以剔除.將剩余數(shù)據(jù)進(jìn)行自適應(yīng)加權(quán)平均,MATLAＢ程序如下所示。程序：m=(Z(1）＋Z(2）+Z（4）)/3sigmａ１＝（Ｚ（1)－m)^2;siｇma2＝（Z(2)－m）＾2；sｉgma３=（Z(4）-m）^２;w1=１／(sｉgｍa1＾2＊（1/sｉgma1^２+１／sigma２^2+１/siｇma3^2）);ｗ２=１／(ｓigma2^2*(１／sigma1^2+1／sigｍa2＾2＋1／sigma3^2)）；w３=1/(sigma３＾2＊(1/sｉgma1^2+1/ｓｉgma2^２＋１/ｓｉgmａ3^2));Z_ｒeａl=w1＊Z(１)+w2＊Z(2）+ｗ3*Z（４)機(jī)械主軸上溫度傳感器測(cè)量數(shù)據(jù)以及對(duì)應(yīng)的方差和加權(quán)因子如表3所示。表3機(jī)械主軸上溫度傳感器測(cè)量數(shù)據(jù)以及對(duì)應(yīng)的方差和加權(quán)因子傳感器ZＺt1ZＺｔ2ZZｔ3ZZｔ4測(cè)量值4.３73４.3841。5２94。692方差0。01２10.０098×0.0４37加權(quán)因子０。３８450.5860×0。0295計(jì)算出的融合溫度值為４。3889。對(duì)機(jī)床上所有聲發(fā)射傳感器測(cè)量值進(jìn)行自適應(yīng)加權(quán)平均，MATLＡB程序如下:程序：V=[5。2624。921４。953];m＝mean（Ｖ)；sigma1=（Ｖ(1)-ｍ)^2ｓiｇma2=（V(2）－m）＾２sｉgmａ3＝（V（3)-ｍ)^2ｗ1＝1／(ｓiｇma1^２*(１/sigma1^２+1／sigｍａ2^2+1/ｓｉｇma3＾2））w2=1/(siｇma2^2*（1/ｓｉgｍａ1^２+１/siｇma2＾2+1/sigma3^2））w3=１/(siｇｍa３^２*（1/sigmａ1^２+１/sｉgma2＾２+1/ｓigmａ3^2)）V_ｒeal=w1*V(1）+w2＊V（2）＋w3*V(3）機(jī)床上所有聲發(fā)射傳感器測(cè)量值以及相應(yīng)的方差和加權(quán)因子如表4所示。表4機(jī)床上所有聲發(fā)射傳感器測(cè)量值以及相應(yīng)的方差和加權(quán)因子傳感器ZZvSGvＤＧv測(cè)量值５。2624。921４.９53方差0。０4６90。01550.00８5加權(quán)因子０。02４70。2２７５0．7479聲發(fā)射傳感器的融合結(jié)果為4.９533.３.2基于Ｄ－S證據(jù)理論的二級(jí)融合根據(jù)機(jī)床機(jī)械主軸的常見(jiàn)故障類(lèi)型和專(zhuān)家實(shí)際診斷經(jīng)驗(yàn)，定義機(jī)械主軸的故障模式識(shí)別框架:其中：：主軸處于正常狀態(tài):主軸齒輪磨損:主軸軸承研傷,同時(shí)澗滑不良：主軸齒輪磨損，同時(shí)主軸軸承研傷對(duì)主軸上傳感器得到的歷史數(shù)據(jù)進(jìn)行處理,得到各證據(jù)傳感器對(duì)應(yīng)所有目標(biāo)故障模式下的典型樣本的平均值和標(biāo)準(zhǔn)方差，結(jié)果如表5所示。表5各證據(jù)傳感器對(duì)應(yīng)所有目標(biāo)故障模式下的典型樣本的平均值和標(biāo)準(zhǔn)方差目標(biāo)模式ZZaZZtZZv3.01３1。3９92.33２0。670４.1５81.05５4．0210.９034。１1９0。95１5.4621。2304.4091。２５37。4７９１。５625。5051．3717.１98２。2454．80５1.0546.87６１.７38然后計(jì)算各傳感器的信度函數(shù)分配.MＡＴLAB程序如下：程序：U＝[３。０134。0214.4097．１98]；S=［１.3990。9031。２5３2.２45］./3;x=—5：0。１:10;M1=(１/（sqｒt(2*pｉ）)＊Ｓ（1）)＊eｘp(—（(x-U（1))。＾２)/（２＊S（1）＾２)）;M2=(１／（sｑｒt（2＊pi））＊S（２））＊exp(—((ｘ—Ｕ（2））.^2)/（2＊Ｓ(2）^2））；M3＝（1/（sqｒｔ（2*ｐi））*Ｓ(３)）＊ｅxｐ（—((ｘ-Ｕ(３）)。^2）/（2*S(３)＾２））;Ｍ4=（１/(sｑrt（２＊pi))*S(4)）＊exp(-(（x—U(4))。^2）/（２*S(４)^2））；ploｔ（x，Ｍ1)；ｈｏｌdｏnplot（ｘ，M２）；hoｌdoｎｐloｔ(x，M3）；holdｏnplot（x，Ｍ4)；holｄon圖3為ZZａ在各目標(biāo)故障｛，,，}下的信度密度函數(shù)分配.圖中豎直實(shí)線的橫坐標(biāo)值為證據(jù)傳感器ZＺa所取得測(cè)量值，豎直直線與每條曲線交點(diǎn)的坐標(biāo)的縱坐標(biāo)值即為證據(jù)ZＺａ對(duì)各目標(biāo)故障｛,，,}的信度密度函數(shù)值。圖3ZＺａ在各目標(biāo)故障下的信度密度函數(shù)分配同理可得到證據(jù)ZZt，ZZv在各目標(biāo)故障{，，，｝下的信度密度函數(shù),分別如圖4、圖5所示。圖４ZZt在各目標(biāo)故障下的信度密度函數(shù)圖5ＺZv在各目標(biāo)故障下的信度密度函數(shù)運(yùn)用公式(1８）—(20）進(jìn)行計(jì)算并對(duì)其歸一化處理,得到各證據(jù)ZZa、ZＺt、ZZv在各目標(biāo)故障和不確定故障下的基本概率分配值,具體如表6所示。表6主軸故障各證據(jù)傳感器的基本概率分配證據(jù)m（）m（)ｍ(）m()m（）ZZa0.176０.44９0。３25０。0250．０25ＺＺt０。０290。5000.０160．43９0。016ZZv0.27７0。２9６0.2６３0.0820.082根據(jù)改進(jìn)的D-S證據(jù)理論對(duì)各傳感器的基本概率分配值進(jìn)行融合計(jì)算,得到三個(gè)傳感器的融合結(jié)果,具體如表７所示。表7各傳感器的基本概率分配值融合后的結(jié)果故障率ｍ(）m（）ｍ(）m（)m（）融合結(jié)果０．0090．６6４0．115０．1290.00０052通過(guò)表中各傳感器融合結(jié)果，可知：故障模式發(fā)生的概率最大.故故障類(lèi)型為，即主軸齒輪磨損.4。結(jié)論本文建立了基于多傳感器信息融合的數(shù)控機(jī)床二級(jí)故障診斷系統(tǒng)：基于自適應(yīng)加權(quán)算法的一級(jí)融合和基于D－S證據(jù)理論的二級(jí)融合。以長(zhǎng)征７18機(jī)床診斷實(shí)例為例，利用振動(dòng)傳感器、溫度傳感器和聲發(fā)射傳感器采集到的數(shù)據(jù)首先進(jìn)行一致性檢測(cè)和自適應(yīng)加權(quán)平均，然后通過(guò)計(jì)算得到典型樣本的信度函數(shù)分配,最后根據(jù)改進(jìn)的D—Ｓ證據(jù)理論對(duì)各傳感器的基本概率分配值進(jìn)行融合計(jì)算得到各傳感器融合結(jié)果,通過(guò)分析得到數(shù)控機(jī)床故障模式。中南大學(xué)?本科生畢業(yè)論文（設(shè)計(jì))題目基于神經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)目錄TOC＼ｏ”1-3”\h\ｚ\u摘要ⅠHYPＥRLＩＮK\l＂＿Toc２３1０6４６５9"AＢSTRACTⅡ第一章緒論ＰAGEREF＿Ｔoc2３1０6465９\h１１．1手寫(xiě)體數(shù)字識(shí)別研究的發(fā)展及研究現(xiàn)狀PAGEＲＥF_Toc231064660\ｈ1HYＰERLINK\l”＿Toc231０６４661＂1。2神經(jīng)網(wǎng)絡(luò)在手寫(xiě)體數(shù)字識(shí)別中的應(yīng)用ＰＡGEREF_Toc２3106４6６１＼h２HYPERＬINＫ\l"＿Toc２３106４662＂1．3論文結(jié)構(gòu)簡(jiǎn)介PAGERＥF_Tｏｃ２310６4662\h3第二章手寫(xiě)體數(shù)字識(shí)別ＰAGEREＦ_Toc23１0６４663\h42。1手寫(xiě)體數(shù)字識(shí)別的一般方法及難點(diǎn)PAGEREF_Ｔoc２310６4664\ｈ42.2圖像預(yù)處理概述PAGＥRＥF_Ｔoc231064665\h５HYPERLINK\l＂_Toｃ２３10６4666”２。3圖像預(yù)處理的處理步驟PAGEＲＥF_Toc231０6４6６6\h52。3。1圖像的平滑去噪ＰAＧEREF_Tｏｃ2310６４667\h5２。３.2二值話處理ＰＡGERＥF_Toｃ２31064６６８\h6HYPEＲLINK\l"＿Toc231064６69＂２.3．3歸一化PAGEＲEF＿Tｏc２3１064669\ｈ72。3。4細(xì)化ＰAGＥＲＥF＿Tｏc23１０６4670\h８HＹPERＬINＫ\l”_Ｔoc2３１0６4６７1＂2.4小結(jié)ＰＡGEREF＿Ｔoc23106４671\h9HＹPERLＩNK\l"＿Toｃ2３1０６４672”第三章特征提取PAGERＥＦ_Toc231064６７2\ｈ1０3.1特征提取的概述PAGEＲEＦ_Toc２3106４673\h１０ＨYPＥＲＬINK\l”_Ｔoc23106４６7４＂3。2統(tǒng)計(jì)特征PAGEREF_Tｏc231０64674\h103.3結(jié)構(gòu)特征PＡGEＲＥF_Toｃ231064675\ｈ11HYPERLＩＮK\l"＿Ｔoc231０646７6”3．3．1結(jié)構(gòu)特征提取PAGEREF＿Ｔoc23１0６4676＼h113。3.２筆劃特征的提取PAGＥREF_Toc231０6４677＼h11HＹPERＬINK\l”_Tｏc23106４6７8＂3。3．3數(shù)字的特征向量說(shuō)明ＰAGEＲEF_Toc23106４678\ｈ123.３知識(shí)庫(kù)的建立PＡGEREF_Toc231０64６79\h1２第四章神經(jīng)網(wǎng)絡(luò)在數(shù)字識(shí)別中的應(yīng)用PAＧERＥF＿Tｏｃ2３1064680\h１4４。1神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介及其工作原理PＡGＥRＥＦ_Toc2３10６4681\h144.1.１神經(jīng)網(wǎng)絡(luò)概述[１4]PAGＥＲEF_Tｏc231064682\ｈ１4HＹPERLINK\l”_Ｔoｃ231０６４683”４．1。2神經(jīng)網(wǎng)絡(luò)的工作原理PAGERＥF_Tｏc2310６468３\h14４。2神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練[1５]ＰＡGＥREＦ_Toc２310６４6８4＼h1５4.3BP神經(jīng)網(wǎng)絡(luò)ＰAGEＲＥF＿Toｃ23106468５\h164．３.1BP算法ＰAＧＥREF_Ｔoc２3106468６\h１６HYPERLINＫ\l"_Ｔoc２310６4６８7"4。３．2ＢP網(wǎng)絡(luò)的一般學(xué)習(xí)算法PAGEREF＿Toc２310６4687＼h16ＨYPERＬINK\l”＿Toc2３1０64688＂4。3.3BP網(wǎng)絡(luò)的設(shè)計(jì)ＰＡＧＥREF_Toｃ23106４６88\ｈ1８HYＰERＬINK\l＂_Tｏc2３10646８9"4.4BＰ學(xué)習(xí)算法的局限性與對(duì)策PAGＥREF_Toc23１０646８9\h2０HYPERLIＮＫ\l”_Toc２31０64６9０"4.５對(duì)ＢＰ算法的改進(jìn)PAＧEREF_Tｏc２31０646９０\h21HＹPERLIＮK\l”_Toc２3１０６4691"第五章系統(tǒng)的實(shí)現(xiàn)與結(jié)果分析PAGＥREＦ＿Toc231064691\h23HYＰＥＲＬINＫ\l”_Toc23１０646９2”５.1軟件開(kāi)發(fā)平臺(tái)３1０64692\h2３5。１.1ＭATLAＢ簡(jiǎn)介PAＧEREF＿Toｃ231064693\h2３5。１。２MATLＡB的特點(diǎn)PＡGEREF_Ｔoc2310６46９4\h２3５.１。3使用MATLAB的優(yōu)勢(shì)PAＧEREＦ_Toc２31０64695＼ｈ2３5.2系統(tǒng)設(shè)計(jì)思路PAGＥREＦ_Ｔｏc2310６4696＼h24HYPERLＩNK\l"＿Toc２31064697”5.3系統(tǒng)流程圖１0６4697\h24５．4ＭＡTLAB程序設(shè)計(jì)PＡGEREF_Toc23１0６４698＼h24HＹPERLINＫ\l"_Ｔoc23106４69９＂５.5實(shí)驗(yàn)數(shù)據(jù)及結(jié)果分析ＰAＧEＲEF_Toc231０６46９9\h26HYPERLINK\l"_Toｃ2310647０0＂結(jié)論27ＨYPEＲＬＩＮＫ\l＂_Ｔoc231064７０1＂參考文獻(xiàn)２8HYＰERLINK\l”_Toc２３1０6４７0１＂致謝3０附錄31摘要手寫(xiě)體數(shù)字識(shí)別是模式識(shí)別中一個(gè)非常重要和活躍的研究領(lǐng)域，數(shù)字識(shí)別也不是一項(xiàng)孤立的技術(shù)，它所涉及的問(wèn)題是模式識(shí)別的其他領(lǐng)域都無(wú)法回避的；應(yīng)用上，作為一種信息處理手段,字符識(shí)別有廣闊的應(yīng)用背景和巨大的市場(chǎng)需求。因此,對(duì)數(shù)字識(shí)別的研究具有理論和應(yīng)用的雙重意義。人工神經(jīng)網(wǎng)絡(luò)識(shí)別方法是近年該研究領(lǐng)域的一種新方法，該方法具有一些傳統(tǒng)技術(shù)所沒(méi)有的優(yōu)點(diǎn)：良好的容錯(cuò)能力、分類(lèi)能力強(qiáng)、并行處理和自學(xué)習(xí)能力，并且是離線訓(xùn)練和在線識(shí)別的。這些優(yōu)點(diǎn)使它在手寫(xiě)體字符的識(shí)別中能對(duì)大量數(shù)據(jù)進(jìn)行快速實(shí)時(shí)處理,并達(dá)到良好的識(shí)別效果。由于手寫(xiě)體數(shù)字識(shí)別難于建立精確的數(shù)學(xué)模型，所以本文采用BP神經(jīng)網(wǎng)絡(luò)對(duì)這一問(wèn)題進(jìn)行處理。神經(jīng)網(wǎng)絡(luò)模式識(shí)別的一個(gè)關(guān)鍵步驟是預(yù)處理和特征提取,對(duì)于手寫(xiě)體數(shù)字識(shí)別,本文采用了一種基于結(jié)構(gòu)特征和統(tǒng)計(jì)特征的提取方法，并用程序?qū)崿F(xiàn)了這一特征提取過(guò)程。通過(guò)測(cè)試,本識(shí)別系統(tǒng)對(duì)于較規(guī)范的手寫(xiě)體數(shù)字的識(shí)別達(dá)到了很好的識(shí)別效果。關(guān)鍵詞：手寫(xiě)體數(shù)字識(shí)別，特征提取，人工神經(jīng)網(wǎng)絡(luò)，MATLABAＢSTRACＴHaｎdｗｒitteｎｃｈaraｃｔerrecｏｇniｔｉonisaｖeryimｐortantaｎｄａｃtivｅrｅsｅarcｈｉnpatterｎrecoｇniｔion。Tｈeｏreｔiｃalｌy,ｉｔｉsnotａnｉｓoｌａｔedｔeｃhnｉquｅ。Iｔｃoｎceｒnswiｔｈtheprｏbleｍthａt(yī)aｌｌtheotheｒareａｓofpatternrecoｇｎitiｏnmustcｏnfrｏnteｄ；practiｃalｌｙ，ｂeinｇａkindｏｆｉnformａt(yī)ionｐroｃessingｍeａsureｄ,charaｃtｅrreｃoｇnitionｈasaverｙbrｏaｄａpplicaｔｉoｎｂackgrｏundandvastneｅdofmａｒkeｔ.Thus，ｉｔisofboththｅorｅtｉｃalａndprａcｔｉcaｌｓignificance。Ａrtiｆiciａｌｎeuralneｔworｋｒecoｇniｔiｏnmeｔhoｄisａｎewmethodｏfthｅｒeseaｒchｆｉeldｉnrｅceｎｔｙｅａrs，andtｈiｓmｅthodhasｓoｍemeriｔthattradiｔioｎaｌteｃhniquｅdonothavｅ;goodtoleranceｆorｅrror，sｔｒoｎｇsortiｎgaｂility，sｔrongｐaralｌelhandlｉngabiｌitｙaｎｄstroｎgself-leaｒｎｉnｇaｂｉｌｉtｙａswｅllasiｔsoff-lｉnetｒaｉniｎganｄon-lｉｎｅrｅcognｉzing。Alltheｓeｍerｉtscontributeiｔsperfecｔperfｏrmａnceiｎhanｄlinｇvasｔｄatasetandhandliｎgｉntimeｌｙｍanner.It’ｓdiffｉｃulｔtomakeａccurａｔemaｔheｍaticsmodeｌforhandwrittennumeraｌｒｅcoｇnitioｎ，soBＰneurａlnetｗorkｓisｕsedhｅre.Thｅkeysteｐsofnｅuralnetwｏrｋｓｐatteｒnrｅｃoｇnitioｎareｐreprｏceｓsiｎganｄｆeatｕrｅsubsetseleｃtiｏｎ．Intｈiｓpaper，algoriｔhｍoｆｆeatｕｒｅsｕｂsetseｌｅctｉｏnｂasｉｎｇonstrｕcturalｃharaｃteristｉcsaｎdｓｔatistｉｃａlchaｒacteristicsｈaｓbeenａdｏptedｉnhaｎdwｒitteｎnumeｒalrｅcｏgｎitiｏｎ，andtheｐrocessoffeａｔuresuｂsｅtsｅlｅctiｏnhadbｅｅｎｒealizeｄinｐrogram.Rｅｃｏgnｉtｉonsｙｓtemiｎthispａperhasaｃhieｖedagｏodrａt(yī)eofｒecognitionｉnrandｏｍhanｄwｒiｔtenｎumeralbyｔｅst.Kｅyword:handwritteｎｎumｅralreｃｏgnｉtiｏn，ｆeatｕreeｘｔraction,artificｉａlneuralnetwork，ＭＡＴLAB第一章緒論1。1手寫(xiě)體數(shù)字識(shí)別研究的發(fā)展及研究現(xiàn)狀模式識(shí)別[2］是六十年代初迅速發(fā)展起來(lái)的一門(mén)學(xué)科。由于它研究的是如何用機(jī)器來(lái)實(shí)現(xiàn)人(及某些動(dòng)物）對(duì)事物的學(xué)習(xí)、識(shí)別和判斷能力，因而受到了很多科技領(lǐng)域研究人員的注意，成為人工智能研究的一個(gè)重要方面。一個(gè)模式識(shí)別系統(tǒng)的基本職能是對(duì)系統(tǒng)所要處理的模式歸屬于哪一類(lèi)做出判別，從該系統(tǒng)的模式輸入到系統(tǒng)做出判別之間,主要包括信息檢測(cè)、預(yù)處理、特征提取和分類(lèi)幾大環(huán)節(jié)。字符識(shí)別是模式識(shí)別領(lǐng)域中的一個(gè)非常活躍的分支。一方面是由于問(wèn)題本身的難度使之成為一個(gè)極具挑戰(zhàn)性的課題；另一方面,是因?yàn)樽址R(shí)別不是一項(xiàng)孤立的應(yīng)用技術(shù)，其中包含的模式識(shí)別領(lǐng)域中其他分支都會(huì)遇到的一些基本和共性的問(wèn)題.從50年代開(kāi)始,許多的研究者就在這一研究領(lǐng)域開(kāi)展了廣泛的探索并為模式識(shí)別的發(fā)展產(chǎn)生了積極的影響。字符識(shí)別,從采用的輸入設(shè)備來(lái)分,可分為脫機(jī)識(shí)別（又稱(chēng)為光學(xué)字符識(shí)別OpticalChａｒacterRecｏgnition,OＣR)和聯(lián)機(jī)識(shí)別，脫機(jī)字符又分為印刷體和手寫(xiě)字符識(shí)別，從對(duì)書(shū)寫(xiě)者要求來(lái)分，手寫(xiě)字符又分為限制性和非限制性的手寫(xiě)字符識(shí)別.在聯(lián)機(jī)手寫(xiě)字符識(shí)別中，計(jì)算機(jī)能夠通過(guò)與計(jì)算機(jī)相連的手寫(xiě)輸入設(shè)備獲得輸入字符筆劃的順序、筆劃的方向以及字符的形狀,所以相對(duì)OCR來(lái)說(shuō)它更容易識(shí)別一些.但聯(lián)機(jī)字符識(shí)別有一個(gè)重要的不足就是要求輸入者必須在指定的設(shè)備上書(shū)寫(xiě),然而人們?cè)谏钪写蟛糠值臅?shū)寫(xiě)情況是不滿(mǎn)足這一要求的，比如人們填寫(xiě)各種表格資料，開(kāi)具支票等。如果需要計(jì)算機(jī)去認(rèn)識(shí)這些已經(jīng)成為文字的東西，就需要OCR技術(shù)。比起聯(lián)機(jī)字符識(shí)別來(lái)，OＣＲ不要求書(shū)寫(xiě)者在特定輸入設(shè)備上書(shū)寫(xiě)，它可以與平常一樣書(shū)寫(xiě),所以O(shè)CＲ的應(yīng)用更為廣泛.OCR所使用的輸入設(shè)備可以是任何一種圖像采集設(shè)備，如掃描儀、數(shù)字相機(jī)等.通過(guò)使用這類(lèi)采集設(shè)備,OCR系統(tǒng)將書(shū)寫(xiě)者已經(jīng)寫(xiě)好的文字作為圖像輸入到計(jì)算機(jī)中，然后由計(jì)算機(jī)去識(shí)別。由于OCR的輸入只是簡(jiǎn)單的一副圖像，它就不能像聯(lián)機(jī)輸入那樣比較容易的從物理上獲得字符筆劃的順序信息,因此OCＲ是一個(gè)更具挑戰(zhàn)性的問(wèn)題.脫機(jī)字符識(shí)別（OCＲ)分為印刷體OCＲ和手寫(xiě)OCＲ。印刷體字符比手寫(xiě)體字符少了隨機(jī)性，它的識(shí)別相對(duì)容易些，難點(diǎn)已經(jīng)不在識(shí)別環(huán)節(jié)，而在于字符的分割上。印刷體識(shí)別的錯(cuò)誤絕大多數(shù)都是錯(cuò)誤的分割引起的［3].對(duì)于手寫(xiě)體OＣR，無(wú)論是聯(lián)機(jī)還是脫機(jī)識(shí)別,手寫(xiě)體的識(shí)別都要經(jīng)歷由限制性手寫(xiě)體識(shí)別到非限制性手寫(xiě)體識(shí)別兩個(gè)階段。本文將以手寫(xiě)體數(shù)字為代表，討論非限制性手寫(xiě)體字符的識(shí)別。脫機(jī)字符識(shí)別的研究最早始于上個(gè)世紀(jì)六十年代,是為了應(yīng)付漢英翻譯的需要。八十年代后的研究重心轉(zhuǎn)移到脫機(jī)手寫(xiě)字符的識(shí)別上.對(duì)于小類(lèi)別數(shù)的字符集如數(shù)字、字母的識(shí)別，已經(jīng)可以做到對(duì)書(shū)寫(xiě)不加任何的限制.非限制性手寫(xiě)OCR的研究始終以阿拉伯?dāng)?shù)字為主導(dǎo)。這事因?yàn)?，第一，十個(gè)阿拉伯?dāng)?shù)字是全世界的一套通用字符。第二,在數(shù)字的許多應(yīng)用場(chǎng)合，如報(bào)表、賬單、支票等，手寫(xiě)體還難以被印刷體所替代，而且對(duì)識(shí)別的可靠性要求極高.三,由于類(lèi)別數(shù)少,所以模式識(shí)別中的許多方法研究均可以以數(shù)字識(shí)別作為實(shí)驗(yàn)背景。對(duì)脫機(jī)手寫(xiě)體字符的研究，人們由簡(jiǎn)單集成筆畫(huà)密度、筆畫(huà)方向和背景特征方法過(guò)渡到特征匹配方法，進(jìn)而過(guò)渡到結(jié)合神經(jīng)網(wǎng)絡(luò)方法，隨著對(duì)識(shí)別可靠性要求的提高，九十年代以后，多分類(lèi)器集成方法成為了一個(gè)研究重點(diǎn)。1。2神經(jīng)網(wǎng)絡(luò)在手寫(xiě)體數(shù)字識(shí)別中的應(yīng)用目前，隨著計(jì)算機(jī)的迅速發(fā)展，性能價(jià)格比的不斷提高,模式識(shí)別技術(shù)已經(jīng)從理論探討為主發(fā)展到大量的實(shí)際應(yīng)用，人們將更多的注意力開(kāi)始轉(zhuǎn)向那些用于語(yǔ)音、圖像、機(jī)器人以及人工智能等的模式識(shí)別實(shí)際問(wèn)題。解決這些問(wèn)題的關(guān)鍵是需要進(jìn)行復(fù)雜而龐大的實(shí)時(shí)數(shù)據(jù)處理,而現(xiàn)有計(jì)算機(jī)的存貯容量及計(jì)算復(fù)雜性的局限,使得真正實(shí)時(shí)化的應(yīng)用受阻。這種面向?qū)崟r(shí)應(yīng)用的模式識(shí)別問(wèn)題促使人們開(kāi)始將并行處理的神經(jīng)網(wǎng)絡(luò)[4］應(yīng)用到模式識(shí)別,而神經(jīng)網(wǎng)絡(luò)模式識(shí)別技術(shù)又將模式識(shí)別實(shí)時(shí)應(yīng)用推進(jìn)了一大步，手寫(xiě)體數(shù)字識(shí)別就是這種應(yīng)用的一個(gè)很重要的領(lǐng)域。手寫(xiě)體數(shù)字識(shí)別是一項(xiàng)極具研究?jī)r(jià)值的課題,隨著神經(jīng)網(wǎng)絡(luò)［１]和模糊邏輯技術(shù)的發(fā)展,人們對(duì)這一問(wèn)題的研究又采用了許多新的方法和手段,也使得這一古老的課題煥發(fā)出新的生命力[5].目前國(guó)際上有相當(dāng)多的學(xué)者在研究這一課題,它包括了模式識(shí)別領(lǐng)域中所有典型的問(wèn)題：數(shù)據(jù)的采集、處理及選擇、輸入樣本表達(dá)的選擇、模式識(shí)別分類(lèi)器的選擇以及用樣本集對(duì)識(shí)別器的有指導(dǎo)的訓(xùn)練。人工神經(jīng)網(wǎng)絡(luò)為手寫(xiě)體數(shù)字識(shí)別提供了新的手段。正是神經(jīng)網(wǎng)絡(luò)所具有的這種自組織自學(xué)習(xí)能力、推廣能力、非線性和運(yùn)算高度并行的能力使得模式識(shí)別成為目前神經(jīng)網(wǎng)絡(luò)最為成功的應(yīng)用領(lǐng)域。二十多年來(lái),人們?cè)跀?shù)字識(shí)別領(lǐng)域做了大量的研究工作,所提出的各種方法在印刷體和手寫(xiě)印刷體數(shù)字識(shí)別方面已經(jīng)取得了較好的成績(jī),識(shí)別率穩(wěn)定在9６％左右。但是自由手寫(xiě)體數(shù)字的識(shí)別工作目前并不成熟,仍舊是文字識(shí)別中最有挑戰(zhàn)性的課題之一。字符識(shí)別長(zhǎng)期以來(lái)都是采用傳統(tǒng)的識(shí)別方法，對(duì)印刷體字符的識(shí)別率一般只是穩(wěn)定在9６％左右，不能進(jìn)一步提高;而對(duì)手寫(xiě)體字符的識(shí)別，其研究還處于探索階段，其識(shí)別率還相當(dāng)?shù)?因此，為了提高識(shí)別率,就必須尋求新的方法和途徑。進(jìn)入九十年代以來(lái),人工神經(jīng)網(wǎng)絡(luò)（ANＮ)技術(shù)發(fā)展十分迅速,它具有模擬人類(lèi)部分形象思維的能力，是一種模仿人腦學(xué)習(xí)、記憶、推理等認(rèn)知功能的新方法.特別是它的信息并行分布式處理能力和自學(xué)習(xí)功能等顯著優(yōu)點(diǎn)，更是激起了人們對(duì)它的極大的興趣。人工神經(jīng)網(wǎng)絡(luò)是由一些類(lèi)似人腦神經(jīng)元的簡(jiǎn)單處理單元相互連接而成的復(fù)雜網(wǎng)絡(luò)。已涌現(xiàn)出許多不同類(lèi)型的ANN及相應(yīng)的學(xué)習(xí)算法，其中BP（或EBP—ErｒorBackPropagatｉon)網(wǎng)絡(luò)及學(xué)習(xí)算法得到了廣泛關(guān)注和研究，并在數(shù)字識(shí)別方面取得了許多有意義的應(yīng)用成果.1.3論文結(jié)構(gòu)簡(jiǎn)介本畢業(yè)設(shè)計(jì)主要解決以圖像形式存在的手寫(xiě)體數(shù)字識(shí)別的問(wèn)題。整體分為三個(gè)部分，第一部分是圖像預(yù)處理,第二部分是對(duì)手寫(xiě)體數(shù)字的結(jié)構(gòu)特征的提取，第三部分是設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)并對(duì)前面得到的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)和訓(xùn)練.本文通過(guò)圖像預(yù)處理和數(shù)字特征提取以后基于神經(jīng)網(wǎng)絡(luò)的判別方法，然后結(jié)合使用了ＭAＴＬAB工具箱中提供的人工神經(jīng)網(wǎng)絡(luò)函數(shù)設(shè)計(jì)了一種手寫(xiě)數(shù)字識(shí)別的新方法.實(shí)驗(yàn)表明，該方法可以獲得較好的識(shí)別率。第二章手寫(xiě)體數(shù)字識(shí)別２．1手寫(xiě)體數(shù)字識(shí)別的一般方法及難點(diǎn)字符識(shí)別問(wèn)題的研究已有幾十年的歷史了，但時(shí)至今日，字符識(shí)別的研究成果遠(yuǎn)未達(dá)到人們所期望的，這其中有理論研究和技術(shù)實(shí)現(xiàn)等多方面因素.在理論方面，我們對(duì)人類(lèi)的視覺(jué)認(rèn)知機(jī)理的研究還只是初步的，遠(yuǎn)未達(dá)到深入和透徹的水平。在技術(shù)方面,我們使用的計(jì)算機(jī)的運(yùn)算水平和存儲(chǔ)能力，比起人腦的信息存儲(chǔ)和處理能力有很大差距.因此，目前的文字識(shí)別只能建立在現(xiàn)有的理論基礎(chǔ)上，使用現(xiàn)有的技術(shù)來(lái)研究和解決問(wèn)題.手寫(xiě)體數(shù)字識(shí)別是字符識(shí)別的一個(gè)分支,問(wèn)題雖然簡(jiǎn)單,但卻有較大的實(shí)用價(jià)值。數(shù)字的類(lèi)別雖然只有十種,筆劃又簡(jiǎn)單，其識(shí)別問(wèn)題表面上是一個(gè)較簡(jiǎn)單的分類(lèi)問(wèn)題。但實(shí)際上,雖然各種新的識(shí)別算法不斷的推出。其識(shí)別率和誤識(shí)率仍距實(shí)用有相當(dāng)距離。手寫(xiě)阿拉伯?dāng)?shù)字具有變形多差異大的特點(diǎn)，字形與書(shū)寫(xiě)人的職業(yè)、文化程度、書(shū)寫(xiě)習(xí)慣以及所使用筆墨紙張所處環(huán)境等都有關(guān)，所以手寫(xiě)體數(shù)字變形多、規(guī)律復(fù)雜。具體地說(shuō)有兩個(gè)：一是0～9十個(gè)數(shù)字中，其中的一些數(shù)字字形相差不大,使得準(zhǔn)確區(qū)分某些數(shù)字相當(dāng)困難;二是數(shù)字雖然只有十種，但同一數(shù)字寫(xiě)法千差萬(wàn)別.不同的人寫(xiě)出的同一個(gè)數(shù)字都有差別，即使同一個(gè)人在不同的時(shí)候也會(huì)有不同的寫(xiě)法。筆劃的書(shū)寫(xiě)順序經(jīng)常發(fā)生變化,因此極大地增加了匹配的難度.一般人寫(xiě)字時(shí)都不會(huì)一筆一劃的書(shū)寫(xiě)，為了節(jié)省時(shí)間，連筆字是自然而然的事情，對(duì)于結(jié)構(gòu)識(shí)別而言，連筆一方面使筆劃種類(lèi)大大增加，甚至達(dá)到難以歸納的程度;另一方面，連筆又使得筆段抽取難度大增，因?yàn)檫B筆會(huì)增加一些冗余筆段，連筆造成的畸變又會(huì)使筆段方向嚴(yán)重離散.總之，連筆不論對(duì)于基于哪種基元的結(jié)構(gòu)識(shí)別都是嚴(yán)峻的挑戰(zhàn)。這是造成手寫(xiě)數(shù)字識(shí)別過(guò)程復(fù)雜、達(dá)到較高識(shí)別率困難的根本原因。如圖２.1各種各樣的手寫(xiě)體數(shù)字。圖2.1各種各樣的手寫(xiě)體數(shù)字２。2圖像預(yù)處理概述預(yù)處理[6]是字符識(shí)別重要的一環(huán)，它把原始的圖像轉(zhuǎn)換成識(shí)別器所能接受的二進(jìn)制形式。要識(shí)別手寫(xiě)體數(shù)字首先要對(duì)其字符圖像進(jìn)行預(yù)處理。預(yù)處理的主要目的是去除字符圖像中的噪聲、壓縮冗余信息，得到規(guī)范化的點(diǎn)陣，為識(shí)別做好準(zhǔn)備。這就要求預(yù)處理在消除圖像中與識(shí)別無(wú)關(guān)的因素時(shí)盡量保持原圖像的字符特征.手寫(xiě)體數(shù)字圖像預(yù)處理的過(guò)程，就一般情況而言，主要經(jīng)過(guò)如圖2。2所示的幾個(gè)步驟。不同的識(shí)別方法對(duì)預(yù)處理的項(xiàng)目和要求有所不同。如結(jié)構(gòu)識(shí)別方法［7],對(duì)字符規(guī)范化可以從簡(jiǎn),甚至不需要.有的識(shí)別方法對(duì)細(xì)化要求很高,有的則不需要細(xì)化。本章中將分別對(duì)平滑去噪、二值化、歸一化和細(xì)化分小節(jié)討論。原始圖像原始圖像平滑去噪二值化歸一化細(xì)化圖2.２圖像預(yù)處理的基本流程2.3圖像預(yù)處理的處理步驟２。3。手寫(xiě)體數(shù)字