fa یک رویکرد ترکیبی جدید برای آموزش مدل ترکیب سلسله مراتبی شبکه‌های عصبی به منظور رتبه‌بندی اعتباری در صنعت بانکداری سیستم های هوشمند Intelligent Systems كاربردي Applicable <p align="justify"><font size="1"><font face="tahoma,arial,helvetica,sans-serif"><span dir="rtl" lang="FA">ریسک اﻋﺘﺒﺎری در صنعت بانکداری ﺑﻪ ﻋﻨﻮان ﺧﻄﺮ ﻧﺎﺷﯽ از اﺣﺘﻤﺎل ﻋـﺪم ﺑﺎزﭘﺮداﺧـﺖ ﺗﻌﻬـﺪات ﺗﻮﺳـﻂ ﻣـﺸﺘﺮیان در ﺳﺮرسید ﺑـﻮده و یکی از ﻣﻬـﻢترین ریسک‌ها در ﺑﺎﻧﮏﻫﺎ و ﻣﺆﺳﺴﺎت ﻣﺎﻟﯽ ﺑﻪ ﺣﺴﺎب ﻣﯽآید. استقرار نظام رتبه‌بندی اعتباری با توجه به حجم انبوه مطالبات معوق بانک‌ها، یکی از مهمترین ابزارهای کنترل این نوع ریسک است. این مقاله با استفاده از شبکه‌های عصبی توانمند در حوزه پیش‌بینی و ترکیب آنها قادر است مشتریان را در دو گروه خوش‌حساب و بد‌حساب دسته‌بندی کند. مدل پیشنهادی که دارای ساختار و آموزش ماژولار است، مدل ترکیب سلسله مراتبی شبکه‌های عصبی نام دارد. در مدل یادشده برای تجزیه مساله میان شبکه‌ها و ترکیب نتایج برای رسیدن به پیش‌بینی نهایی و همچنین شیوه آموزش آن از رویکردی جدید استفاده می‌شود. رویکرد پیشنهادی ابتدا، از الگوریتم گسسته بهینه‌سازی انبوه ذرات برای کاهش ابعادی و تجزیه مساله میان ماژول‌های مختلف استفاده می‌کند، سپس برای آموزش، از تلفیق قانون‌های مختص به هر ماژول و قانون آموزش کلی این شبکه استفاده می‌کند. نتایج در مقایسه با شبکه عصبی پرسپترون چندلایه و شبکه عصبی با اتصالات جانبی بدست آمده است. طبق نتایج بدست آمده مدل پیشنهادی توانسته با</span><span calibri="" en-gb="" en-us="" fa="" lang="FA" minor-latin="" new="" times=""> </span><span dir="rtl" lang="FA">دقت بسیار بالا رفتار مشتریان را پیش‌بینی نماید.</span></font></font></p> صنعت بانکداری,رتبه‌بندی اعتباری, الگوریتم گسسته بهینه‌سازی انبوه ذرات, شبکه عصبی ماژولار, مدل ترکیب سلسله مراتبی شبکه‌های عصبی, 161 174 http://ijiepm.iust.ac.ir/browse.php?a_code=A-10-1525-1&slc_lang=fa&sid=1 عباس احمدی abbas.ahmadi@aut.ac.ir 180031947532846007960 180031947532846007960 Yes دانشگاه صنعتی امیرکبیر دانیال دادمحمدی dd.iebs@gmail.com 180031947532846007961 180031947532846007961 No دانشگاه صنعتی امیرکبیر