装备采购风险的BP神经网络评价模型

收稿日期:2008-04-18 修回日期:2008-05-22*基金项目:院科研基金资助项目(Y JJX M 0636)　作者简介:张　桦(1974-　),男,山西翼城人,讲师,硕士研究生,主要研究方向:装备采办。

文章编号:1002-0640(2009)04-0100-04装备采购风险的BP 神经网络评价模型*张　桦,董海林,昂　军(军械工程学院,河北　石家庄　050003) 摘　要:装备采购具有高风险的特点,科学、准确的风险评价对装备采购至关重要。

传统的评价方法主观因素太强,而BP 神经网络模型为装备采购风险评价开辟了新途径。

首先介绍了人工神经网络模型的原理和BP 算法,然后结合实例给出了用于装备采购风险评价的BP 神经网络模型,采用该模型获得结果令人满意。

关键词:装备采购,风险评价,神经网络中图分类号:E 832.48 文献标识码:AStudy on BP Neural Networks Model for EvaluatingEquipment Acquisition RiskZHANG Hua,DONG Hai-lin,ANG Jun(Or dnance Engineer ing College ,S hij iaz huang 050003,China ) Abstract :T he equipment acquisition is characterized by high risks,so an accur ate,comprehensive and scientific risk evaluation mo del is o f g reat important to equipment acquisition.T he traditional ev aluation is too subjective ,w hereas the BP neur al netw ork model pr ovides a fresh prom ising evaluation for equipment acquisition .In this paper ,the author ,first of all ,introduces the principle of the artificial neural netw or k and the patterns of BP,and then ex hibits the model w hich is applied in the risk evaluation of equipment acquisition,w hich show s a satisfactor y r esults.Key words :equipm ent acquisition,risk evaluation,BP neur al netw ork引　言随着科学技术的发展,武器装备采购的规模和复杂性日益增加,各类风险明显增多且相互关系错综复杂。

一方面,武器装备采购涉及面广、规模庞大、系统环节多,具有周期长、耗费资金多、内部结构复杂、外部联系广泛的特点;另一方面,不具有复杂性、一次性以及客观上要求只能成功、不能失败的特点。

正是这两方面的特点迫切要求加强武器装备采购风险管理研究,建立一套能够全面描述和反映武器装备采购风险管理特征的指标体系,以便能够动态、适时、准确地评价和监控武器装备采购过程的风险,为制定科学合理的风险管理决策奠定基础。

在采购风险评价过程中,常见的风险评价方法主要有调查表法和专家打分法、模糊数学法、层次分析法等。

这些方法的不足之处在于:评价过程中各种因素的权重设置人为设定,人的主观因素成分比较大,导致决策有时不准确。

为解决这一问题,本文采用一种基于BP 神经网络的风险评价方法,引入装备采购风险管理。

1　人工神经网络基本原理1.1　人工神经网络的概念人工神经网络(Artificial Neur al Netw ork,AN N)是一类模拟生物神经系统结构,由大量处理单元组成的非线性自适应动态系统,具有学习能力,记忆能力,计算能力以及智能处理功能,在不同程度和层次上模仿大脑的信息处理机理。

把结构和算法统一为一体的系统,可看作是硬件和软件的结合体。

人工神经元网络的特点之一就是善于从近似的、不确定的、甚至相互矛盾的知识环境中做出决策。

不需要构建任何数学模型,可以根据已学会的知识和处理问题的经验对复杂问题作出合理的判断决Vol.34,No.4Apr il,2009火力与指挥控制Fire Control &Com man d Control第34卷　第4期2009年4月策,给出较满意的解答,或对未来过程作出有效的预测和估计,不需要人为设定权重,并通过训练好的神经网络模型可以很方便进行各风险因素分析。

1.2　人工神经网络BP 算法的确定[1,2]反向传播神经网络,又称BP 网络模型。

是典型的多层网络,有输入层、隐含层和输出层,层间多为全互连方式,同层单元之间不存在相互连接。

BP 算法的学习过程是由正向传播和反向传播两个过程组成的,在正向传播过程中输入信息从输入层经隐含层逐层处理,并传向输出层,每一层神经元的状态只影响下一层神经元的状态,如果在输出层不能得到期望输出,则转入反向传播将误差信号沿原来的连接通路返回,把网络学习时输出层出现的与“事实”不符的误差,归结为连接层中各节点间连接权及阀值(有时将阀值作为特殊的连接权并入连接权)的“过错”,通过把输出层节点的误差逐层向输入层逆向传播以“分摊”给各连接节点,从而可算出各连接节点的参考误差,并据此对各连接权进行相应的调整,使网络适应要求的映射。

具体的BP 网络学习过程如下:(1)给w ir 、T r 、v ir 、 j 随机赋一个较小的值,w ir 、v ir 分别为输入层节点a j 到隐含层节点b r 、隐含层节点b r 到输出层节点c j 间的连接权,T r 为隐含层节点的阀值,j 为输出层节点的阈值。

(2)对每一样本模式对(A (k ),C (k ))(k =1,2,…,p )进行下列操作,其中p 为样本个数:将A (k )的值(a (k )i )输入到输入层节点,据输入层节点激活值a j ,依次正向计算:b r =f (∑mi =1w ir ・a i +T r ),(r =1,2,…,u )c j =f (∑ur =1w rj ・b r + j ),(j =1,2,…,n )其中f (g )为神经元输入与输出之间的转换函数,一般为可微函数,有线性、正弦、双曲正切、阈值型、半升梯型和Sig moid 型函数(简称为S 型转换函数)。

u 、n 分别为隐含层和输出层的节点数。

Sig moid 型函数由于对线性和非线性问题都能很好的适应,应用最广泛,其函数形式如下式所示:f (net )=1/[1+ex p (-net )]计算输出层节点输出c j 与期望输出值c (k )j的误差,令:d j =c j ・(1-c j )・(c (k )j -c j )向隐含层节点反向分配误差,令:e r =b r ・(1-b r )・∑n j =1v rj -b r!调整隐含层与输出层节点间连接权v ir 及输出层节点阈值j :v ir =v ir +・b r ・d jj = j + ・d j ,(0< <1)∀调整输入层与隐含层接点间连接权w ir 及隐含层接点阀值T r :w ir =w ir + ・a i ・e rT r =T r + ・e r ,(0< <1)(3)重复步骤(2),直到对于j =1,2,…,n ,k =1,2,…,p ,E AV 误差变得足够小。

E AV =1/2∑pk =1∑nj =1(c (k )j -c j )2其中E AV 为学习的目标函数。

2　装备采购风险评价BP 网络模型装备采购风险评价BP 网络模型,是通过神经网络的学习与训练,利用一系列评价指标,对装备采购项目的风险进行评价,力求摆脱人为主观因素,充分利用专家的知识和经验,为有关决策者提供支持。

2.1　装备采购风险因素指标体系的建立风险评价是估算风险发生的概率及其后果的大小,以减少项目计量上的不确定性。

首先要对项目的单个风险分别进行估计或量化,然后考虑各个单个风险综合起来的总体效果,最后确定项目的整体风险是否被接受。

通过一定的评价方法对各风险事件后果进行评价,确定可接受程度,根据可接受或者危害程度的不同,确定对风险应该采取什么样的应对措施。

装备采购风险管理评价是一种目标驱动活动,其评价指标体系必然从属于武器装备采购的目标体系。

装备采购风险系统由主观因素、客观因素、内部因素以及外部因素等有机构成,具有层次性、开放性和总体性[3]。

本文以装备采购项目研制阶段为例建立具体的风险评价指标体系。

一个复杂装备采购项目大致都要经过计划、研制、生产、验收、交付等这几个阶段,不同的阶段有着不同的风险,由于采购的复杂性,风险源的变化是无穷的,因此,逐一对每个风险源中的每个风险因素进行考察是不可能的,并且也是不必要的。

考虑到我军的装备采购实际情况,根据全面性、可比性、可操作性等指标设计原则,并考虑到模型的实际应用,运用Delphi 法向多位有丰富实践经验的专家进行调查咨询,建立一套较为系统、合理的投资项目风险评价指标体系。

本文建立几大类风险评价指标:需求风险、计划风险、技术风险、管理风险、环境风险、合同风险、人员风险、信用风险等[4-8]。

具体情况如下页图1所示。

2.2　装备采购风险评价BP 神经网络模型的设计首先需要确定网络的结构,包括网络的输入、隐・101・张　桦,等:装备采购风险的BP 神经网络评价模型(总第34-581) 含层及其单元数、输出等。

前人研究与应用经验表明,合理确定网络层数与各层的神经元数,是成功应用BP 网络模型的关键之一,G .Cybeny o 等人证明,具有一个隐含层的神经网络能够以任意精度表示任何连续函数,实践表明采用两层以上的隐含层并没有任何益处[5]。

因此,本文所建立的网络模型包括一个输入层、两个隐含层和一个输出层。

(1)输入层单元数的确定根据建立的指标体系,将最底层的20个风险因素作为网络输入,由于本模型是应用于项目决策前期,所以建立指标体系所考虑的因素均为定性因素,在进行输入节点输入时,先将指标定量化,以便于网络模型的应用。

(2)隐含层单元数的确定隐含层单元数的选择与输入输出单元的多少都有直接关系。

在实际操作中,可参考下面两个公式确定[10]。

n 1=n +m +a其中m 为输出神经元数,n 为输入神经元数,a 为1-10间的常数。

n 1=log n2,n 为输入神经元数。