基于粗集的神經(jīng)網(wǎng)絡(luò )的項目風(fēng)險評估

[摘 要] 本篇論文我們介紹了基于粗集的BP神經(jīng)網(wǎng)絡(luò )識別項目的風(fēng)險并評估項目風(fēng)險。粗集(RS)與神經(jīng)網(wǎng)絡(luò )的集成反映了人類(lèi)正常的思維機制。它融合了定性和定量的，精確和非確定的，連續和平行的方法。我們建立了粗集的神經(jīng)網(wǎng)絡(luò )并進(jìn)行屬性約簡(jiǎn)的混合模型，給出了軟件項目風(fēng)險在實(shí)際中的早期預警模型即評估模型，提出了有效的方法。
　　[關(guān)鍵詞] 軟件項目風(fēng)險管理 神經(jīng)網(wǎng)絡(luò ) 粗集
　　
　　本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò )(ANN)技術(shù)的高風(fēng)險識別，這樣在制定開(kāi)發(fā)計劃中，最大的減少風(fēng)險發(fā)生的概率，形成對高風(fēng)險的管理。
　　一、模型結構的建立
　　本文基于粗集的BP 神經(jīng)網(wǎng)絡(luò )的風(fēng)險分析模型,對項目的風(fēng)險進(jìn)行評估,為項目進(jìn)行中的風(fēng)險管理提供決策支持。在這個(gè)模型中主要是粗糙集預處理神經(jīng)網(wǎng)絡(luò )系統，即用RS理論對ANN輸入端的樣本約簡(jiǎn)，尋找屬性間關(guān)系，約簡(jiǎn)掉與決策無(wú)關(guān)的屬性。簡(jiǎn)化輸入信息的表達空間維數，簡(jiǎn)化ANN結構。本論文在此理論基礎上，建立一種風(fēng)險評估的模型結構。這個(gè)模型由三部分組成即：風(fēng)險辨識單元庫、神經(jīng)網(wǎng)絡(luò )單元、風(fēng)險預警單元。
　　1.風(fēng)險辨識單元庫。由三個(gè)部分功能組成：歷史數據的輸入，屬性約簡(jiǎn)和初始化數據. 這里用戶(hù)需提供歷史的項目風(fēng)險系數。所謂項目風(fēng)險系數,是在項目評價(jià)中根據各種客觀(guān)定量指標加權推算出的一種評價(jià)項目風(fēng)險程度的客觀(guān)指標。計算的方法:根據項目完成時(shí)間、項目費用和效益投入比三個(gè)客觀(guān)指標,結合項目對各種資源的要求,確定三個(gè)指標的權值。項目風(fēng)險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中: r 為風(fēng)險系數;T 、T0分別為實(shí)際時(shí)間和計劃時(shí)間;S、S0分別為實(shí)際費用和計劃費用;U、U0分別為實(shí)際效能和預計效能;w1、w2、w3分別是時(shí)間、費用和效能的加權系數,而且應滿(mǎn)足w1+w2+w3=1的條件。
　　2.神經(jīng)網(wǎng)絡(luò )單元。完成風(fēng)險辨識單元的輸入后,神經(jīng)網(wǎng)絡(luò )單元需要先載入經(jīng)初始化的核心風(fēng)險因素的歷史數據,進(jìn)行網(wǎng)絡(luò )中權值的訓練,可以得到輸入層與隱含層、隱含層與輸出層之間的權值和閥值。
　　(1)選取核心特征數據作為輸入，模式對xp=[xp1,xp2,.,xpn ]T,dp(網(wǎng)絡(luò )期望輸出) 提供給網(wǎng)絡(luò )。用輸入模式xp,連接權系數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,連接權系數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(cháng);t是學(xué)習次數;T是總的迭代次數;M是一個(gè)正數,α∈(0,1)是動(dòng)量系數。σp是一個(gè)與偏差有關(guān)的值,對輸出結點(diǎn)來(lái)說(shuō)；σp=yp(1-yp)(dp-yp)；對隱結點(diǎn)來(lái)說(shuō),因其輸出無(wú)法比較,所以經(jīng)過(guò)反向推算；(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(fēng)險預警單元
　　根據風(fēng)險評價(jià)系數的取值,可以將項目的風(fēng)險狀況分為若干個(gè)區間。本文提出的劃分方法是按照5 個(gè)區間來(lái)劃分的:
　　r<0.2項目的風(fēng)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(fēng)險較低,但仍存在一定風(fēng)險;
　　0.4≤r<0.6項目的風(fēng)險處于中等水平,有出現重大損失的可能;
　　0.6≤r<0.8項目的風(fēng)險較大,必須加強風(fēng)險管理,采取避險措施;
　　0.8≤r<1項目的風(fēng)險極大,重大損失出現的概率很高,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(zhù)項目風(fēng)險的各個(gè)對象，我們使用了用戶(hù)評級的方式，從風(fēng)險評估單元中獲得評價(jià)系數五個(gè)等級。給出各風(fēng)險指標的評價(jià)系數，衡量相關(guān)風(fēng)險的大小。系數越低，項目風(fēng)險越低；反之，系數越高，項目風(fēng)險越高。