信用评级一直是银行信用风险管理的一项重要内容,本文主要研究了RBF神经网络技术在商业银行个人贷款信用评级模型中的应用。在信用评级中,由于客户的信息大多为分类型数据,因此传统的RBF模型无法进行有效处理,同时RBF模型还对初始中心的选取十分敏感,并且较容易受到异常值的影响。针对以上问题,本文将模糊K-Prototypes算法应用到RBF神经网络模型中,且改进了初始中心的选取方法,并将改进前后的模型分别应用于某商业银行的个人贷款数据中,实证的结果表明,改进后的RBF模型在处理非数值型数据时精度更高,并且改进后的模型稳健性有了一定提高。文章的大致内容如下：第一章我们将对信用评级作简单的介绍,从信用评级的起源与背景,到它的相关定义,最后到传统主观判断方法与近代统计模型方法的比较,给读者对信用评级的相关发展历程有一个大致的了解。第二章中,我们将对信用评级中的常用模型做出相关的介绍,主要包括一般线性模型、广义线性模型、判别分析、K--临近算法等。第三章中,我们将介绍RBF神经网络的相关知识,包括RBF神经网络如何从生物学发展而来,RBF神经网络的网络结构、数学基础,以及它的相关学习算法。第四章中,我们将介绍模糊的K-Prototypes聚类算法,并将算法应用到RBF神经网络的学习当中,同时,为了提高模型的稳健性,我们还提出了初始聚类中心选取的替代方法,同时给出RBF网络结构的其他参数的确定方法。第五章是文章的实证部分,我们将传统RBF模型和改进的RBF模型分别应用于某商业银行个人贷款的数据集中,并比较分析其结果,同时,为了方便比较,我们还给出了如SOM神经网络、BP神经网络的结果作为对比。最后是文章的总结部分,我们对全文的内容进行了概括与总结。