本站小編為你精心準備了神經(jīng)網(wǎng)絡風險評估參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。
一、模型結(jié)構(gòu)的建立
本文基于粗集的BP神經(jīng)網(wǎng)絡的風險分析模型,對項目的風險進行評估,為項目進行中的風險管理提供決策支持。在這個模型中主要是粗糙集預處理神經(jīng)網(wǎng)絡系統(tǒng)，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關系，約簡掉與決策無關的屬性。簡化輸入信息的表達空間維數(shù)，簡化ANN結(jié)構(gòu)。本論文在此理論基礎上，建立一種風險評估的模型結(jié)構(gòu)。這個模型由三部分組成即：風險辨識單元庫、神經(jīng)網(wǎng)絡單元、風險預警單元。
1.風險辨識單元庫。由三個部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù).這里用戶需提供歷史的項目風險系數(shù)。所謂項目風險系數(shù),是在項目評價中根據(jù)各種客觀定量指標加權(quán)推算出的一種評價項目風險程度的客觀指標。計算的方法:根據(jù)項目完成時間、項目費用和效益投入比三個客觀指標,結(jié)合項目對各種資源的要求,確定三個指標的權(quán)值。項目風險系數(shù)可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r為風險系數(shù);T、T0分別為實際時間和計劃時間;S、S0分別為實際費用和計劃費用;U、U0分別為實際效能和預計效能;w1、w2、w3分別是時間、費用和效能的加權(quán)系數(shù),而且應滿足w1+w2+w3=1的條件。
2.神經(jīng)網(wǎng)絡單元。完成風險辨識單元的輸入后,神經(jīng)網(wǎng)絡單元需要先載入經(jīng)初始化的核心風險因素的歷史數(shù)據(jù),進行網(wǎng)絡中權(quán)值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。
(1)選取核心特征數(shù)據(jù)作為輸入，模式對xp=[xp1,xp2,.,xpn]T,dp(網(wǎng)絡期望輸出)提供給網(wǎng)絡。用輸入模式xp,連接權(quán)系數(shù)wij及閾值hj計算各隱含單元的輸出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隱含層輸出ypj,連接權(quán)系數(shù)wij及閾值h計算輸出單元的輸出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比較已知輸出與計算輸出,計算下一次的隱含各層和輸出層之間新的連接權(quán)值及輸出神經(jīng)元閾值。
wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]
h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]
η(k)=η0(1-t/(T+M))
η0是初始步長;t是學習次數(shù);T是總的迭代次數(shù);M是一個正數(shù),α∈(0,1)是動量系數(shù)。σp是一個與偏差有關的值,對輸出結(jié)點來說；σp=yp(1-yp)(dp-yp)；對隱結(jié)點來說,因其輸出無法比較,所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.風險預警單元
根據(jù)風險評價系數(shù)的取值,可以將項目的風險狀況分為若干個區(qū)間。本文提出的劃分方法是按照5個區(qū)間來劃分的:
r<0.2項目的風險很低,損失發(fā)生的概率或者額度很小;
0.2≤r<0.4項目的風險較低,但仍存在一定風險;
0.4≤r<0.6項目的風險處于中等水平,有出現(xiàn)重大損失的可能;
0.6≤r<0.8項目的風險較大,必須加強風險管理,采取避險措施;
0.8≤r<1項目的風險極大,重大損失出現(xiàn)的概率很高,建議重新考慮對于項目的投資決策。
總之，有許多因素影響著項目風險的各個對象，我們使用了用戶評級的方式，從風險評估單元中獲得評價系數(shù)五個等級。給出各風險指標的評價系數(shù)，衡量相關風險的大小。系數(shù)越低，項目風險越低；反之，系數(shù)越高，項目風險越高。
二、實證：以軟件開發(fā)風險因素為主要依據(jù)
這里我們從影響項目風險諸多因素中，經(jīng)項目風險系數(shù)計算，作出決策表，利用粗集約簡，抽取出最核心的特征屬性(中間大量復雜的計算過程省略)。總共抽取出六個主要的指標(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)確定了6個輸入神經(jīng)元，根據(jù)需求網(wǎng)絡隱含層神經(jīng)元選為13個，一個取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡結(jié)構(gòu)。將前十個季度的指標數(shù)據(jù)作為訓練樣本數(shù)據(jù)，對這些訓練樣本進行數(shù)值化和歸一化處理，給定學習率η=0.0001，動量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學習后訓練次數(shù)N＝1800網(wǎng)絡趨于收斂，以確定神經(jīng)網(wǎng)絡的權(quán)值。最后將后二個季度的指標數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓練好的神經(jīng)網(wǎng)絡中，利用神經(jīng)網(wǎng)絡系統(tǒng)進行識別和分類，以判斷軟件是否會發(fā)生危機。實驗結(jié)果表明，使用神經(jīng)網(wǎng)絡方法進行風險預警工作是有效的，運用神經(jīng)網(wǎng)絡方法對后二個季度的指標數(shù)據(jù)進行處理和計算，最后神經(jīng)網(wǎng)絡的實際輸出值為r=0.57和r=0.77，該軟件開發(fā)風險處于中等和較大狀態(tài)，與用專家效績評價方法評價出的結(jié)果基本吻合。
摘要]本篇論文我們介紹了基于粗集的BP神經(jīng)網(wǎng)絡識別項目的風險并評估項目風險。粗集(RS)與神經(jīng)網(wǎng)絡的集成反映了人類正常的思維機制。它融合了定性和定量的，精確和非確定的，連續(xù)和平行的方法。我們建立了粗集的神經(jīng)網(wǎng)絡并進行屬性約簡的混合模型，給出了軟件項目風險在實際中的早期預警模型即評估模型，提出了有效的方法。
本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(ANN)技術的高風險識別，這樣在制定開發(fā)計劃中，最大的減少風險發(fā)生的概率，形成對高風險的管理。