基于BP神经网络的工程项目风险评价
来源:用户上传
作者: 郭欣欣
【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，工程施工，竣工投产，项目处置几个阶段，不同的阶段风险不同，风险的影响因素也各不相同，我们没有必要对每一个因素进行分析，重点放在影响作用大的因素上而忽略影响作用小的因素。根据对工程项目不同的影响方式来分类，我们选取五类风险、分别是政治风险、社会风险、经济风险、工程风险、环境风险。其中，政治风险包括政治法规风险和城市规划风险；经济风险包括信用风险，市场风险和金融风险；工程风险包括技术风险，资源风险，材料供应风险，经营风险和验收风险。
六、BP神经网络的matlab实现
东方集团目前共有九个工程投资项目，按照前面确定的风险评价指标集，其专家评测的风险数据如下表，
这九组数据中，使用1~7作为训练样本，8~9作为检验样本。经过试算,当网络中隐含层的节点数为3时，网络的性能最佳，即建立12个输入节点，3个隐含层节点，1个输出节点的BP神经网络模型。由于样本的数据都集中在0~1之间，我们在隐含层传递函数选取tansig（）函数,整个网络最后的输出是在一个较小的范围内，所以采用S形函数，如果说整个网络的输出可以取到任意值，我们就可以考虑采用purelin（）函数，在本模型中，最后的输出值是以一个单一的数字来表示，并且该数字的值在0~1之间，所以输出层的传递函数选用s型的logsig（）函数。训练算法采用traingdx，误差设定为1e-3。迭代次数这里取1000次，两次显示之间的步数取50次，初始学习率设定为0.05，学习率的增加系数为1。
根据以上结果可以看出，经过训练的BP神经网络较好的仿真了各个风险因素之间隐含的内在关系，预测数值和风险的期望数值相近，经过86次迭代达到了要求的精度，效率还是比较高的，反映出BP神经网络具有出色的数据拟合效果。
六、结论
本文从工程项目风险出发，依据不同风险的影响方面，将风险分类，采用专家打分法来确定风险值；依据BP神经网络的基本工作原理，采用适当的传递函数和算法对构建的网络进行训练，最后根据实例证明了本文所构建的模型，因为在实例中的样本数据较少，所以训练有较大的随机性，如果增大样本数量，可以进一步提高预测的准确性。
参考文献
[1] 李存斌.项目风险元传递理论与应用[M]. 北京：中国水利水电出版社 2009.
[2] 王瑾.政府投资工业项目风险分析与评价[D]. 北京：首都经济贸易大学 2010.
[3] 江大庆,朱晓丽.论建设项目经济评价指标体系模式的建立[J].中国集体经济,2008（4）: 41-42.
作者介绍：郭欣欣（1985-），女，汉族，首都经济贸易大学，研究方向：管理科学与工程。
转载注明来源:https://www.xzbu.com/3/view-726047.htm
