Modelování bonity obcí pomocí neuronových sítí

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216275%3A25410%2F08%3A00007279" target="_blank" >RIV/00216275:25410/08:00007279 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Municipal Creditworthiness Modelling by Neural Networks

Popis výsledku v původním jazyce

The paper presents the design of municipal creditworthiness parameters. The economic, debt and financial parameters are pivotal. Further, the design of model for municipal creditworthiness classification is presented. The realized data pre-processing makes the suitable economic interpretation of results possible. Municipalities are assigned to clusters by unsupervised methods. The combination of Kohonen?s self-organizing feature maps and K-means algorithm is a suitable method for municipal creditworthiness modelling. The number of classes in this model is determined by indexes evaluating the quality of clustering. The model is composed of Kohonen?s self-organizing feature maps and fuzzy logic neural networks, where the output of Kohonen?s self-organizing feature maps represents the input of fuzzy logic neural networks. Fuzzy logic neural network?s parameters make the appropriate interpretation possible. It is a perceptron-type fuzzy logic neural network with three layers. Standard neur

Název v anglickém jazyce

Municipal Creditworthiness Modelling by Neural Networks

Popis výsledku anglicky

The paper presents the design of municipal creditworthiness parameters. The economic, debt and financial parameters are pivotal. Further, the design of model for municipal creditworthiness classification is presented. The realized data pre-processing makes the suitable economic interpretation of results possible. Municipalities are assigned to clusters by unsupervised methods. The combination of Kohonen?s self-organizing feature maps and K-means algorithm is a suitable method for municipal creditworthiness modelling. The number of classes in this model is determined by indexes evaluating the quality of clustering. The model is composed of Kohonen?s self-organizing feature maps and fuzzy logic neural networks, where the output of Kohonen?s self-organizing feature maps represents the input of fuzzy logic neural networks. Fuzzy logic neural network?s parameters make the appropriate interpretation possible. It is a perceptron-type fuzzy logic neural network with three layers. Standard neur

Druh

J_x - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA402%2F08%2F0849" target="_blank" >GA402/08/0849: Model řízení povzbudivého růstu regionu</a><br>

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2008

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Acta Electrotechnica et Informatica

ISSN

1335-8243

e-ISSN

—

Svazek periodika

8

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

SK - Slovenská republika

Počet stran výsledku

6

Strana od-do

—

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—