[发明专利]一种基于BP神经网络的移动支付风险预警方法

权利要求书

1.一种基于BP神经网络的移动支付风险预警方法，所述BP神经网络包括输入层、隐含层和输出层，其特征在于：所述方法包括如下步骤：

S1、初始化BP神经网络，设定连接权值初始值、节点阈值初始值和误差预设精度值，并且搜集训练样本和预测样本，训练样本和预测样本均包含移动支付交易规模和若干个影响因素；

S2、利用训练样本对BP神经网络进行训练，训练过程中连接权值初始值转化为连接权值训练值，节点阈值初始值转化为节点阈值训练值；

S3、计算预测样本在BP神经网络中隐含层和输出层的输入值与实际输出值；

S4、计算BP神经网络的预测误差实际值；

S5、若预测误差实际值小于或者等于误差预设精度值则训练过程结束，并且输出连接权值训练值、节点阈值训练值和预测误差实际值，否则返回S2；

S6、对连接权值训练值进行转换，得到影响因素对移动支付交易规模的影响权重；

S7、采集影响因素分析值，并且结合影响权重得到移动支付交易规模分析值。

2.如权利要求1所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S1中，连接权值初始值W(0)和节点阈值初始值θ(0)的取值区间均设置为[-1.1]，误差预设精度值GE_min＝0.5。

3.如权利要求2所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S3中，计算隐含层第i个节点的输入值HI_i与实际输出值HO_i的方法为：

计算输出层第k个节点的输入值I_k与实际输出值O_k的方法为：

其中，W_ij为由隐含层的第i个节点到达输入层的第j个节点的连接权值训练值，W_ki为输出层第k个节点到隐含层第i个节点的连接权值训练值，表示BP神经网络中的激励函数，X_j表示输入层的第j个节点的训练数据，θ_i为隐含层的节点阈值训练值，α_k为输出层的节点阈值训练值。

4.如权利要求3所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：激励函数采用Sigmoid函数，即

5.如权利要求4所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S4中，计算预测误差实际值的方法为：

其中，O_k(x_p)为预测样本在输出层第k个节点的计算输出，D_k(x_p)为预测样本在输出层第k个节点的实际值，l为预测样本的个数。

6.如权利要求5所述的一种基于BP神经网络的移动支付风险预警方法，其特征在于：S6的具体方法为：

S6.1、从所有连接权值训练值中提取输入层的部分，并且组合成矩阵IW_p×p，p为影响因素个数和训练样本个数；

S6.2、选取单位向量E_1×p和C_1×p，并且有C_1×p＝E_1×p×IW_p×p；

S6.3、计算即为影响权重。