1、本文針對在財務(wù)預(yù)警中廣泛應(yīng)用的BP(Back．propagation)神經(jīng)網(wǎng)絡(luò)，介紹了BP神經(jīng)網(wǎng)絡(luò)的基本原理及其改進算法。針對BP算法及其改進算法中出現(xiàn)的過擬合(over-fitting)問題，探討了提高BP神經(jīng)網(wǎng)絡(luò)泛化能力的方法，提出了基于貝葉斯正規(guī)化(Bayesian regularization)的算法，在網(wǎng)絡(luò)目標函數(shù)中引入表示網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性的懲罰項，使得在訓(xùn)練優(yōu)化的過程中降低網(wǎng)絡(luò)結(jié)構(gòu)的復(fù)雜性，并通過貝葉斯推理得出目標函數(shù)的最優(yōu)化

2、參數(shù)，達到避免網(wǎng)絡(luò)過擬合的目的。 本研究在介紹神經(jīng)網(wǎng)絡(luò)基本理論和實現(xiàn)方法的基礎(chǔ)上，運用貝葉斯正則化BP神經(jīng)網(wǎng)絡(luò)模型(BBP)對上市公司的財務(wù)困境進行預(yù)測。結(jié)果表明，網(wǎng)絡(luò)檢驗集的預(yù)測擬合相關(guān)性系數(shù)R=0.849，預(yù)測精度為79.3％。在相同的網(wǎng)絡(luò)規(guī)模和訓(xùn)練誤差條件下，BBP模型的泛化能力優(yōu)于基本的BP算法，表明該網(wǎng)絡(luò)模型不僅能準確地擬合訓(xùn)練值，而且能更合理的預(yù)測未知樣本，具有較好的泛化能力。 研究結(jié)果表明，貝葉斯正規(guī)化BP