王中立 吳靚雯
重慶交通大學
可行性研究作為建設(shè)項目前期進行重要決定的工作,是科學決策的重要環(huán)節(jié)和工程項目管理的關(guān)鍵,由此,項目可行性研究在經(jīng)濟建設(shè)中發(fā)揮著不可替代的作用[5]。
由Vapnik首先提出的支持向量機(support vector machine)是一種通用前饋型神經(jīng)網(wǎng)絡(luò),由于其堅實的理論基礎(chǔ)和良好的泛化性能,SVM已成為最流行的分類算法之一,廣泛用于故障診斷、醫(yī)療診斷等領(lǐng)域。算法思想是要建立一個最優(yōu)分類超平面(optimal hyperplane)并使得該平面兩側(cè)距離平面最近的兩類樣本之間的距離最大化。支持向量機具有很多優(yōu)點,比如:魯棒性、通用性、計算簡單、有效性、理論完善。
若已知觀測樣本集
其中,‖w‖2稱為結(jié)構(gòu)風險,控制模型的復(fù)雜度;為松弛變量,在線性不可分的情況下引入,允許一定的誤分類成為經(jīng)驗風險,代表模型在訓練集上的誤差;C為松弛因子,控制結(jié)構(gòu)風險和經(jīng)驗風險之間的折中。
優(yōu)化對偶形式為
基于支持向量機對分類算法依靠其強大的學習能力,可減小不同項目數(shù)據(jù)間的分布差異。本文數(shù)據(jù)采用二分類支持向量機模型進行分類。
C-SVM模型是比較常見的二分類支持向量機模型,其具體形式如下:
設(shè)已知訓練集:
選取的一個正分量,并據(jù)此計算閾值:
構(gòu)造決策函數(shù):
在Matlab中利用svmtrain()函數(shù)可以一次性實現(xiàn)神經(jīng)網(wǎng)絡(luò)的創(chuàng)建、訓練,利用函數(shù)進行網(wǎng)絡(luò)測試。最后使用spss對輸出數(shù)據(jù)進行整理,設(shè)置好網(wǎng)絡(luò)參數(shù)后,輸入以搜集工程評價體系的環(huán)境參數(shù)(共90組數(shù)據(jù)),即可運行程序,得到實驗結(jié)果[2]。
為了保障實驗的準確性,抽取實驗數(shù)據(jù)的98.9%進行重復(fù)測試,得到的準確率如下:
表1.個案處理摘要個案數(shù) 百分比樣本 訓練 89 98.9%檢驗 1 1.1%有效 90 100.0%排除 29總計 119
樣本 實測 表2.樣本學習結(jié)果1 2 正確百分比訓練38 0 100.0%2 8 43 84.3%總體百分比 51.7% 48.3% 91.0%1 1 0 100.0%2 0 0 0.0%1檢驗總體百分比 100.0% 0.0% 100.0%
檢驗數(shù)據(jù)的正確率達到了100%,這說明向量機通過大量數(shù)據(jù)學習,對環(huán)境因子判斷足夠精確,如能推進支持向量機的深度學習能大大減少噪聲,避免由于不平衡數(shù)據(jù)導(dǎo)致的模型失真現(xiàn)象,提高模型的準確性。
判斷矩陣是從定性過渡到定量的重要環(huán)節(jié),是通過兩兩比較得出的。相對重要性的量化很難精確,層次分析法通常采用1~9標度法,即用自然數(shù)1~9及其倒數(shù)來表示。
計算判斷矩陣最大特征根λmax :
所以判斷矩陣不具有完全的一致性,計算一致性指標:
將C.I.與平均隨機一致性指標R.I.進行比較,得出檢驗數(shù)C.R.,即:
當n=4時,平均隨機一致性指標
一般來說,矩陣階數(shù)越大,則出現(xiàn)一致性隨機偏離的可能性越大。當C.R.<0.1時,就可以認為判斷矩陣具有滿意的一致性。由于C.R.=0.051<0.1,由此可判斷判斷矩陣具有滿意的一致性。[4]
通過傳統(tǒng)的專家打分法得到工程材料全壽命環(huán)境影響因子的權(quán)重,具有較大的主觀性。本文創(chuàng)新性地提出了支持向量機神經(jīng)網(wǎng)絡(luò)算法(SVM)結(jié)合層次分析法(AHP)的新綜合評價方法。向量機通過大量數(shù)據(jù)學習,對環(huán)境因子判斷更為精確,進一步確定各個影響因子的權(quán)重,并通過一致性檢驗。該方法優(yōu)化了傳統(tǒng)工程經(jīng)濟的層次分析法評價體系,提高了層次分析法在傳統(tǒng)工程經(jīng)濟中的實用性與科學性。