基于BP神经网络工程项目风险评价.docVIP

基于BP神经网络工程项目风险评价【摘要】本文根据工程项目在施工中经常遇到的风险，建立风险指标评价集对工程项目进行综合评价，旨在使管理者能够事前对风险有充分的了解，在此基础上积极应对。本文根据BP神经网络的自组织，自学习和反向传播性的基本原理建立模型，并通过matlab软件中的神经网络工具箱实现模型的运行。 【关键词】风险评价 BP神经网络 工程项目 matlab 一、引言 工程项目是一个工期长，技术复杂，前期投入量大的生产过程，在其建设期间存在大量的不确定性和风险，因此对工程项目的风险预测是一个必要且重要的过程。传统的分析方法各有特点，要根据具体的项目选择运用哪一种方法，如专家打分法，层次分析法，模糊分析法等，这些方法的局限性是人为因素占比重较大，结果容易产生偏差，为解决这一问题，提出了将人工神经网络用于风险综合评价的方法。 二、BP神经网络简介 人工神经网络具有自学习和自适应能力，可以通过预先提供的一批相互对应的输入――输出数据，分析掌握两者之间的映射关系，根据这些关系，输入新的数据来推算结果。BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，包括输入层，输出层和隐含层，当输出的结果与期望样本存在误差时，通过反向传播来调整网络的权值和阈值，使误差平方和最小。 三、BP神经网络风险评价具体实现步骤 一个基本的神经网络，有n个输入，每个输入值都通过一个经调整的权值与下一层连接，输出层可以表示为： y=f（wp+b） f为表示输入输出关系的函数。 BP算法的基本步骤： 1.构建网络，确定输入层、隐含层、输出层节点数目，初始化权值w和阈值b； （1）一般来说，输入层节点数与风险指标个数相同； （2）隐含层节点数理论上没有一个规范的依据，其数目取决于多种因素，如，训练样本的数量，样本的波动大小及隐藏的规律性的复杂程度。经验上，我们可以采取两种方法确定隐含层节点数： a.试凑法，先设置较少的节点数目进行训练，计算误差，然后逐步增加结点个数，用相同的样本进行训练，直到计算得到得误差最小，即为需要的隐含层节点个数，此方法为确定结点个数的最佳方法； b.公式法，H=（m+n）1/2+a 或H=（m*n）1/2 或H=log2n n,m分别代表输出和输入的节点个数，a为0～1之间的常数。 （3）输出层节点数根据评价结果确定，一般为1。 2.训练样本集，包括输入样本集向量p和预期的输出T，计算输出值，并与预期输出值比对计算误差； 3.计算误差平均方差和； 4.根据误差调整权值和阈值； 5.循环2―4，直至误差均方和满足精确度为止。 四、选择传递函数和学习函数 1.传递函数 传递函数是BP神经网络的重要组成部分，又称为激活函数，必须是连续可微的，BP神经网络一般采用tansig（）或logsig（）或purelin（）作为传递函数。通常根据样本数据的情况，输入输出数据的取值范围等选择传递函数。 2.学习函数 学习函数是BP神经网络的又一重要组成部分， BP神经及网络的传递函数包括： （1）traingd,特点是收敛速度满慢，学习过程常发生震荡； （2）traingdm函数收敛速度快于traingd; （3）traingdx收敛速度快于traingd，但仅用于批量训练； （4） trainrp,收敛速度快，用于批量训练，数据占用存储空间小； （5）rtaincgf，占用存储空间最小的变梯度算法，速度通常比traingdx快得多，适用于连接权的数量很多时； （6）traincgp,数据占用的存储空间较rtaincgf略大，但对有些问题有较快的收敛速度，性能略好于rtaincgf； （7）traincgb，性能略好于traincgp，但存储空间较之略大； （8）trainscg，比其他变梯度算法需要更多迭代次数，但无需在迭代中进行线性搜索，从而大大减少了每次迭代的计算量； （9）trainbfg，每次迭代过程所需的计算量和存储空间大于变梯度算法，对规模较小的网络更有效； （10）trainoss,变梯度与拟牛顿算法的折中； （11）trainlm,对中等规模的前馈网络的最快速算法； （12）trainbr,可是网络具有较强的泛化能力，避免了尝试的方法去决定最佳网络规模的大小。在实际运用时，通常根据输入数据规模，特点，对收敛速度、存储空间的要求进行选择。 五、工程项目风险指标集的确定 通常，一个工程项目要经过可行性分析，工程设计，工