1、基于粗集神經網絡的項目風險評估    摘 要 本篇論文我們介紹了基于粗集的BP神經 網絡 識別項目的風險并評估項目風險。粗集(RS)與神經網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，連續和平行的 方法 。我們建立了粗集的神經網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。 關鍵詞 軟件項目風險管理 神經網絡 粗集 轉載于論文聯盟  本篇論文的中心是基于粗集的人工神經網絡(ANN)技術的高風險識別，這樣在制定開發計劃中，最大的減少風險發生的概率，形成對高風險的管理。

2、 一、模型結構的建立 本文基于粗集的BP 神經網絡的風險 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網絡系統，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，簡化ANN結構。本論文在此理論基礎上，建立一種風險評估的模型結構。這個模型由三部分組成即：風險辨識單元庫、神經網絡單元、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 數據的輸入，屬性約簡和初始化數據. 這里用戶需提供歷史的項目風險系數。所謂項目風險系數,是在項目評價中根據各種客觀定量指標加權推算出的

3、一種評價項目風險程度的客觀指標。 計算 的方法:根據項目完成時間、項目費用和效益投入比三個客觀指標,結合項目對各種資源的要求,確定三個指標的權值。項目風險系數可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中: r 為風險系數;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、費用和效能的加權系數,而且應滿足w1+w2+w3=1的條件。 2.神經網絡單元。完成風險辨識單元的輸入后,神經網絡單元需要先載入經初始化的核心風險因素的歷史數據,進行網絡中權值的訓練,可以得到輸入層

4、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(網絡期望輸出) 提供給網絡。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,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,n, i=1 Yp=y1,y2,ynT (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元

5、閾值。 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是初始步長;t是 學習 次數;T是總的迭代次數;M是一個正數,(0,1)是動量系數。p是一個與偏差有關的值,對輸出結點來說；p=yp(1-yp)(dp-yp)；對隱結點來說,因其輸出無法比較,所以經過反向推算；pj=ypj(1-ypj)(ypwj) (4)用pj、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元閾值。wij(k+1)=wij(k)+(t)pjxpi+wij(k)-wij(k-1) 3

6、.風險預警單元 根據風險評價系數的取值,可以將項目的風險狀況分為若干個區間。本文提出的劃分 方法 是按照5 個區間來劃分的: r<0.2項目的風險很低,損失發生的概率或者額度很小; 轉載于論文聯盟  0.2r<0.4項目的風險較低,但仍存在一定風險; 0.4r<0.6項目的風險處于中等水平,有出現重大損失的可能; 0.6r<0.8項目的風險較大,必須加強風險管理,采取避險措施; 0.8r<1項目的風險極大,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

7、評價系數五個等級。給出各風險指標的評價系數，衡量相關風險的大小。系數越低，項目風險越低；反之，系數越高，項目風險越高。 二、實證：以軟件開發風險因素為主要依據 這里我們從影響項目風險諸多因素中，經項目風險系數計算，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(Personnel Management/Training，Schedule，Product Control，Safety，Project Organization，Communication)確定了6個輸入神經元，根據需求 網絡 隱含層神經元選為13個，一個取值在0到1的輸出

8、三層神經元的BP網絡結構。將前十個季度的指標數據作為訓練樣本數據，對這些訓練樣本進行數值化和歸一化處理，給定 學習 率=0.0001，動量因子=0.01，非線性函數參數=1.05，誤差閉值=0.01，經過多次迭代學習后訓練次數N1800網絡趨于收斂，以確定神經網絡的權值。最后將后二個季度的指標數據作為測試數據，輸入到訓練好的神經網絡中，利用神經網絡系統進行識別和分類，以判斷軟件是否會發生危機。實驗結果表明，使用神經網絡方法進行風險預警工作是有效的，運用神經網絡方法對后二個季度的指標數據進行處理和計算，最后神經網絡的實際輸出值為r=0.57和r=0.77，該軟件開發風險處于中等和較大狀態，與用專家效績評價方法評價出的結果基本吻合。 參考 文獻 ： 1王國胤 “Rough:集 理論 與知識獲取”M.西安 交通 大學出版社，2001 2Taghi M. Khoshgoftaar, and J . C. Munson, “predicting Software Development Errors Using Complexity Metrics”, IEEE Jour