[摘 要] 本篇論文我們介紹了基于粗集的BP神經(jīng)網(wǎng)絡(luò)識別項目的風(fēng)險并評估項目風(fēng)險。粗集(RS)與神經(jīng)網(wǎng)絡(luò)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(xù)和平行的方法。我們建立了粗集的神經(jīng)網(wǎng)絡(luò)并進行屬性約簡的混合模型，給出了軟件項目風(fēng)險在實際中的早期預(yù)警模型即評估模型，提出了有效的方法。

[關(guān)鍵詞] 軟件項目風(fēng)險管理 神經(jīng)網(wǎng)絡(luò) 粗集

本篇論文的中心是基于粗集的人工神經(jīng)網(wǎng)絡(luò)(ANN)技術(shù)的高風(fēng)險識別，這樣在制定開發(fā)計劃中，最大的減少風(fēng)險發(fā)生的概率，形成對高風(fēng)險的管理。

一、模型結(jié)構(gòu)的建立

本文基于粗集的BP 神經(jīng)網(wǎng)絡(luò)的風(fēng)險分析模型，對項目的風(fēng)險進行評估，為項目進行中的風(fēng)險管理提供決策支持。在這個模型中主要是粗糙集預(yù)處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)，即用RS理論對ANN輸入端的樣本約簡，尋找屬性間關(guān)系，約簡掉與決策無關(guān)的屬性。簡化輸入信息的表達空間維數(shù)，簡化ANN結(jié)構(gòu)。本論文在此理論基礎(chǔ)上，建立一種風(fēng)險評估的模型結(jié)構(gòu)。這個模型由三部分組成即：風(fēng)險辨識單元庫、神經(jīng)網(wǎng)絡(luò)單元、風(fēng)險預(yù)警單元。

1.風(fēng)險辨識單元庫。由三個部分功能組成：歷史數(shù)據(jù)的輸入，屬性約簡和初始化數(shù)據(jù). 這里用戶需提供歷史的項目風(fēng)險系數(shù)。所謂項目風(fēng)險系數(shù)，是在項目評價中根據(jù)各種客觀定量指標加權(quán)推算出的一種評價項目風(fēng)險程度的客觀指標。計算的方法:根據(jù)項目完成時間、項目費用和效益投入比三個客觀指標，結(jié)合項目對各種資源的要求，確定三個指標的權(quán)值。項目風(fēng)險系數(shù)可以表述成:r=f(w1，w2，w3，T，T/T0，S/S0，U/U0)，R<1；式中: r 為風(fēng)險系數(shù);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(yù)計效能;w1、w2、w3分別是時間、費用和效能的加權(quán)系數(shù)，而且應(yīng)滿足w1+w2+w3=1的條件。

2.神經(jīng)網(wǎng)絡(luò)單元。完成風(fēng)險辨識單元的輸入后，神經(jīng)網(wǎng)絡(luò)單元需要先載入經(jīng)初始化的核心風(fēng)險因素的歷史數(shù)據(jù)，進行網(wǎng)絡(luò)中權(quán)值的訓(xùn)練，可以得到輸入層與隱含層、隱含層與輸出層之間的權(quán)值和閥值。

(1)選取核心特征數(shù)據(jù)作為輸入，模式對xp=[xp1，xp2，.，xpn ]T，dp(網(wǎng)絡(luò)期望輸出) 提供給網(wǎng)絡(luò)。用輸入模式xp，連接權(quán)系數(shù)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，Λ，n ，

i=1

(2)用隱含層輸出ypj，連接權(quán)系數(shù)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，Λ，n，

i=1

Yp=[y1，y2，……，yn]T

(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(quán)值及輸出神經(jīng)元閾值。

wj(k+1)=wj(k)+η(k)σpσpj+α[wj(k)-wj(k-1)]

h(k+1)=h(k)+η(k)σp+α[h(k)-h(k-1)]

η(k)=η0(1-t/(T+M))

η0是初始步長;t是學(xué)習(xí)次數(shù);T是總的迭代次數(shù);M是一個正數(shù)，α∈(0，1)是動量系數(shù)。σp是一個與偏差有關(guān)的值，對輸出結(jié)點來說；σp=yp(1-yp)(dp-yp)；對隱結(jié)點來說，因其輸出無法比較，所以經(jīng)過反向推算；σpj=ypj(1-ypj)(ypwj)

(4)用σpj、xpj、wij和h計算下一次的輸入層和隱含層之間新的連接權(quán)值及隱含神經(jīng)元閾值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]

3.風(fēng)險預(yù)警單元

根據(jù)風(fēng)險評價系數(shù)的取值，可以將項目的風(fēng)險狀況分為若干個區(qū)間。本文提出的劃分方法是按照5 個區(qū)間來劃分的:

r<0.2項目的風(fēng)險很低，損失發(fā)生的概率或者額度很小;

0.2≤r<0.4項目的風(fēng)險較低，但仍存在一定風(fēng)險;

0.4≤r<0.6項目的風(fēng)險處于中等水平，有出現(xiàn)重大損失的可能;

0.6≤r<0.8項目的風(fēng)險較大，必須加強風(fēng)險管理，采取避險措施;

0.8≤r<1項目的風(fēng)險極大，重大損失出現(xiàn)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(fēng)險的各個對象，我們使用了用戶評級的方式，從風(fēng)險評估單元中獲得評價系數(shù)五個等級。給出各風(fēng)險指標的評價系數(shù)，衡量相關(guān)風(fēng)險的大小。系數(shù)越低，項目風(fēng)險越低；反之，系數(shù)越高，項目風(fēng)險越高。

二、實證：以軟件開發(fā)風(fēng)險因素為主要依據(jù)

這里我們從影響項目風(fēng)險諸多因素中，經(jīng)項目風(fēng)險系數(shù)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(fù)雜的計算過程省略)?？偣渤槿〕隽鶄€主要的指標(Personnel Management/Training，Schedule，Product Control，Safety，Project Organization，Communication)確定了6個輸入神經(jīng)元，根據(jù)需求網(wǎng)絡(luò)隱含層神經(jīng)元選為13個，一個取值在0到1的輸出三層神經(jīng)元的BP網(wǎng)絡(luò)結(jié)構(gòu)。將前十個季度的指標數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，對這些訓(xùn)練樣本進行數(shù)值化和歸一化處理，給定學(xué)習(xí)率η=0.0001，動量因子α=0.01，非線性函數(shù)參數(shù)β=1.05，誤差閉值ε=0.01，經(jīng)過多次迭代學(xué)習(xí)后訓(xùn)練次數(shù)N＝1800網(wǎng)絡(luò)趨于收斂，以確定神經(jīng)網(wǎng)絡(luò)的權(quán)值。最后將后二個季度的指標數(shù)據(jù)作為測試數(shù)據(jù)，輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中，利用神經(jīng)網(wǎng)絡(luò)系統(tǒng)進行識別和分類，以判斷軟件是否會發(fā)生危機。實驗結(jié)果表明，使用神經(jīng)網(wǎng)絡(luò)方法進行風(fēng)險預(yù)警工作是有效的，運用神經(jīng)網(wǎng)絡(luò)方法對后二個季度的指標數(shù)據(jù)進行處理和計算，最后神經(jīng)網(wǎng)絡(luò)的實際輸出值為r=0.57和r=0.77，該軟件開發(fā)風(fēng)險處于中等和較大狀態(tài)，與用專家效績評價方法評價出的結(jié)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(xué)出版社，2001

[2]Taghi M. Khoshgoftaar， and J . C. Munson， “predicting Software Development Errors Using Complexity Metrics”， IEEE Journal of Selected Areas in Communications， vol. 8， no. 2， pp. 253～261， February 1990

[3]徐麗娜:“神經(jīng)網(wǎng)絡(luò)控制”[M].北京:電子工業(yè)出版社，5，18 ，2003年2月