本发明涉及金融和互联网，尤其是涉及从指标选取、模型设定、权重调整、信用评分、额度测算以及数据库与互联网构建的个人信用评分以及信用额度测算方法。
背景技术：
：伴随着全国经济的飞速发展，国民的信誉成为目前各行各业争相关注的焦点。由于我国个人信用评估体系的不完善，使银行面临巨大的信用风险。近几年来，我国为了扩大内需，各银行相继推出了住房、汽车、教育和旅游等个人消费信贷，然而，由于我国个人信用制度建设地滞后，银行不得不以繁琐的手续和严格的条件抬高个人消费信贷的门槛。个人信用制度的核心是个人信用评估体系，虽然国外在个人信用评估方面起步较早也比国内先进，但是只有结合我国国情，找出适合我国现阶段经济发展和个人经济行为的信用评估模型，才能达到降低银行风险，推广个人信用贷款，从而促进个人经济发展的目标。目前的信用分数和信用额度测算系统都存在很多缺点或不足，在文献冯振涛,冯梦嫒.基于ahp的信用卡评分模型研究[j].金融理论与实践.2016(01):74-77；jiamingli,xiaohualin.assessingcreditguaranteecompaniesinchina:applyinganewframework.chinaeconomicreview.2017(44):98-111中，都采用了ahp对指标权重进行计算，最后得到相应的评级分数，通过评级的分数去线性对应相应的信用额度。文中虽然介绍了ahp权重计算过程，但确没有一种专家智能打分系统，在专家初始打分不满足一致性的前提下，能够在保留专家最大化意见的前提下自动调节权重，来满足矩阵的一致性条件。同时，文中的模型研究结果也不具有自我学习的特点。虽然也有文献(吴泽宁,张文鸽,管新建.ahp中判断矩阵一致性检验和修正的统计方法[j].系统工程.2002(03):67-71)中提及了修正方法，但也有缺点或不足，因为该文章的修改方法对矩阵多次修改后会破坏判断矩阵(例如将矩阵的某一元素会修改到大于9或小于1/9)，同时也没有给出多位专家同时打分怎么解决在满足多位专家最大化意见的同时，使该判断矩阵满足一致性条件。技术实现要素：本发明的目的在于提供不仅可以解决判断矩阵在满足专家最大化意见的同时，也能够自我修改矩阵解决矩阵的一致性问题，而且还可以解决自主学习特点的个人信用评分以及信用额度测算方法。本发明包括以下步骤：1)将数据备份工作站、系统管理操作后台、服务器和客户端电脑通过网络连接；2)基于数据的可获取性，从还款能力和还款意愿方面出发梳理出评级指标，再通过delphi方法删选出重要的指标项；3)建立ahp调查问卷，通过多位行业专家对调查问卷进行打分；4)通过delphi+ahp算法+专家系统实现个人信用评分结果；5)利用som神经网络对数据库中十万个样本数据进行聚类分析，将其划分为三级九等，并且将训练好的神经网络保存在服务器中；6)通过elman神经网络对数据库中的数据进行训练学习并且拟合出一条经验曲线，并将训练好的神经网络保存在服务器；在步骤6)中，所述经验曲线为信用分数所对应的授信额度。7)由于每家公司实力的不同，其授信额度上下限会有变化，在系统管理操作后台界面上设置一个“授信最大额度”文本框，用于设置该公司的最大授信额度；8)贷款人每通过进行测算授信额度，将会记录贷款人的个人信息，同时将贷款人的个人信息存储在数据库当中，当后期是否违约都记录在数据库中；9)随着时间的推移，根据以后的行业情况与目前的情况出现的差别，贷款人数量和数据样本数量增加，在系统管理操作后台点击重新训练神经网络按钮，重新拟合出一条经验曲线和一个新的三级九等范围；10)对信用额度测算方法不能自主学习和不能自我调节判断矩阵的一致性问题加以改善,并提出新的解决方案；11)用计算机语言做成软件，并与服务器、数据库通过互联网相互连接，结合硬件设备，形成一套信用评分和信用额度测试的系统。本发明不仅可以解决判断矩阵在满足专家最大化意见的同时，也能够自我修改矩阵解决矩阵的一致性问题，而且还可以解决自主学习的特点。本发明利用delphi算法、ahp算法、专家打分系统、elman神经网络、som神经网络和该行业数据研发出一款能够自我学习、自我调节的信用额度测算系统。具体实施方式根据数据的可获取性，通过反映贷款人的还款能力和还款意愿筛选出评分指标，然后通过delphi方法经过专家打分后再次筛选出最终的六类评分指标包括：个人基本信息、职业信息、收信息、资产信息、借款信息和与银行关系。其中个人基本信息包括，年龄、性别、教育程度及婚姻状况信息。职业信息包括，职业、职务、工作年龄、职务和职称。收入信息包括，个人平均月收入和家庭平均月收入。资产信息包括，住房性质、是否有车和抵押价值评估。借款信息包括，有无贷款、旧款期限、借款金额、月还款额与月收入占比和担保方式。与银行关系信息包括，最近一年的借贷次数、信用卡使用情况和借款人一年内查询次数。其中以个人基本信息评分指标状况为例，如表1所示。做好ahp判断矩阵，然后以网络调查问卷的形式请业内50多位专家对做好的问卷进行判断打分，以个人信息为例其判断矩阵如表2所示。此时需要提供专家系统，此专家系统通过分析收集上来的调查问卷，然后按照ahp方法的原理生成判断矩阵。之后对判断矩阵的上三角进行分析，将多位专家意见相同的打分保留(即：取众数或取平均数圆整)，然后对矩阵的下三角按照ahp的原理取其上三角的倒数，这样就生成了一个全新的且结合大量专家意见的判断矩阵。最后，对全新生成的矩阵进行分析，求取它的排序向量、导出矩阵、找出最能影响该矩阵一致性的元素(若最能影响一致性矩阵的元素再次调节会超过9或者小于1/9，则寻找其他影响矩阵一致性元素)，然对该矩阵进行修改，修改的步数为1(例如判断矩阵中的某个元素为5，第一次修改为4或6，当然也不会超过9或小于1/9)。循环上述步骤，直到满足一致性条件。最终再利用ahp的原理生成权重系数，以个人信息为例经过专家系统运行后得到的结果如表3所示。从数据库调取100000个数据样本，通过ahp算法计算后得到每个指标项的权重，并计算每个样本的信用分数。对计算后得到的信用分数的样本数据，利用som神经网络进行聚类分析，将其分为三级九等(即：将样本得到的信用分数划分为9个分数区间)。利用elman神经网络学习该样本的信用额度经验曲线(即：不同的信用分数所对应的信用额度，信用分数是在从数据库调用之后计算得到的，授信额度是之前对每个样本放贷的额度)，便可以得到不同的信用分数对应不同的信用额度。将之前训练的神经网络保存在服务器中，再在系统管理操作后台做一个重新训练神经网络的按钮。当数据不断增加，便可以通过新增的数据来不断地调整之前训练数据所得到的神经网络模型。本发明便对之前的研究在自主学习的特性和不能自我调节矩阵一致性问题上有了很大的改善。以某一客户申请贷款为例演示系统运行过程。当一个用户想要申请信用贷款时，首先登陆客户端网站填写其信息，当填写完信息后，客户端电脑会将其基础信息上传到服务器，然后服务器会根据客户填写的信息利用之前训练好的elman神经网络进行计算，之后给出计算后的信用额度数值，再将信用额度数值传给客户端，客户端再将计算后的结果呈现在客户端屏幕上。表1表2p1年龄性别教育程度婚姻状况年龄性别教育程度婚姻状况表3p1年龄性别教育程度婚姻状况年龄1.0000000.2500000.3333333.000000性别4.0000001.0000002.0000004.000000教育程度3.0000000.5000001.0000003.000000婚姻状况0.3333330.2500000.3333331.000000个人基本信息评分状况参见表1，个人基本信息判断矩阵参见表2，个人基本信息判断矩阵结果参见表3。当前第1页12