基于粗集神经网络的项目风险评估

1、基于粗集神经网络的项目风险评估    摘 要 本篇论文我们介绍了基于粗集的BP神经 网络 识别项目的风险并评估项目风险。粗集(RS)与神经网络的集成反映了人类正常的思维机制。它融合了定性和定量的，精确和非确定的，连续和平行的 方法 。我们建立了粗集的神经网络并进行属性约简的混合模型，给出了软件项目风险在实际中的早期预警模型即评估模型，提出了有效的方法。 关键词 软件项目风险管理 神经网络 粗集 转载于论文联盟  本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。

2、 一、模型结构的建立 本文基于粗集的BP 神经网络的风险 分析 模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS 理论 对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。 1.风险辨识单元库。由三个部分功能组成： 历史 数据的输入，属性约简和初始化数据. 这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的

3、一种评价项目风险程度的客观指标。 计算 的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中: r 为风险系数;T 、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。 2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层

4、与隐含层、隐含层与输出层之间的权值和阀值。 (1)选取核心特征数据作为输入，模式对xp=xp1,xp2,.,xpn T,dp(网络期望输出) 提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。 m Ypj=1/1+exp-(wijxpi-hj),i =1,2,.,m;j=1,2,n , i=1 (2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出 m Yp=1/1+exp-(wjxpi-hj),i=1,2,.,m;j=1,2,n, i=1 Yp=y1,y2,ynT (3)比较已知输出与计算输出, 计算下一次的隐含各层和输出层之间新的连接权值及输出神经元

5、阈值。 wj(k+1)=wj(k)+(k)ppj+wj(k)-wj(k-1) h(k+1)=h(k)+(k)p+h(k)-h(k-1) (k)=0(1-t/(T+M) 0是初始步长;t是 学习 次数;T是总的迭代次数;M是一个正数,(0,1)是动量系数。p是一个与偏差有关的值,对输出结点来说；p=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；pj=ypj(1-ypj)(ypwj) (4)用pj、xpj、wij和h 计算 下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+(t)pjxpi+wij(k)-wij(k-1) 3

6、.风险预警单元 根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分 方法 是按照5 个区间来划分的: r<0.2项目的风险很低,损失发生的概率或者额度很小; 转载于论文联盟  0.2r<0.4项目的风险较低,但仍存在一定风险; 0.4r<0.6项目的风险处于中等水平,有出现重大损失的可能; 0.6r<0.8项目的风险较大,必须加强风险管理,采取避险措施; 0.8r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。 总之，有许多因素 影响 着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得

7、评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。 二、实证：以软件开发风险因素为主要依据 这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性 (中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(Personnel Management/Training，Schedule，Product Control，Safety，Project Organization，Communication)确定了6个输入神经元，根据需求 网络 隐含层神经元选为13个，一个取值在0到1的输出

8、三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定 学习 率=0.0001，动量因子=0.01，非线性函数参数=1.05，误差闭值=0.01，经过多次迭代学习后训练次数N1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。 参考 文献 ： 1王国胤 “Rough:集 理论 与知识获取”M.西安 交通 大学出版社，2001 2Taghi M. Khoshgoftaar, and J . C. Munson, “predicting Software Development Errors Using Complexity Metrics”, IEEE Jour