- 相關(guān)推薦
基于BP神經(jīng)網(wǎng)絡(luò)的工程項(xiàng)目投標(biāo)報(bào)價風(fēng)險(xiǎn)加價預(yù)測研論文
[摘要]工程報(bào)價確定時,其加價部分須考慮風(fēng)險(xiǎn)費(fèi)用。本文分析了BP神經(jīng)網(wǎng)絡(luò)在風(fēng)險(xiǎn)加價預(yù)測中的運(yùn)用,并引入實(shí)際工程,運(yùn)用MATLAB軟件,對其風(fēng)險(xiǎn)加價費(fèi)率進(jìn)行預(yù)測。
[關(guān)鍵詞]BP神經(jīng)網(wǎng)絡(luò);投標(biāo)報(bào)價;風(fēng)險(xiǎn)加價
1引 言
工程投標(biāo)承包是一項(xiàng)風(fēng)險(xiǎn)型事業(yè),具有淘汰、激勵和調(diào)節(jié)三個基本功能,其風(fēng)險(xiǎn)和利潤并存。中國際勞工組織專家Baldwin A.N.,McCaffer R.和Oteifa S.A.指出,工程報(bào)價確定時,其加價部分須考慮風(fēng)險(xiǎn)費(fèi)用,合理確定風(fēng)險(xiǎn)加價費(fèi)用,而決策的正確程度會直接影響中標(biāo)率和利潤回報(bào)。風(fēng)險(xiǎn)加價費(fèi)用是指承包商對自留風(fēng)險(xiǎn)損失的補(bǔ)償,確定時應(yīng)綜合考慮投標(biāo)承包該項(xiàng)目全過程的期望風(fēng)險(xiǎn)損失值。
2BP神經(jīng)網(wǎng)絡(luò)職稱論文
本文將采用BP網(wǎng)絡(luò)對風(fēng)險(xiǎn)加價費(fèi)用進(jìn)行預(yù)測。
2.1 輸入元素選擇與量化
輸入元素選擇時要注意的是,當(dāng)不能提供較多訓(xùn)練樣本時,必須設(shè)法減少樣本維數(shù)。故本文將引入AHP對風(fēng)險(xiǎn)因素進(jìn)行權(quán)重計(jì)算,通過排序,選取權(quán)值較大的作為輸入元素。并建立相應(yīng)的風(fēng)險(xiǎn)因素清單,合理估計(jì)風(fēng)險(xiǎn)事件發(fā)生概率及損失,確定哪些風(fēng)險(xiǎn)事件自留。
確定輸入值的方法:樣本工程與基本工程(樣本中選擇一個)對比的重要程度用標(biāo)度來表示,標(biāo)度取值范圍為[0,9],通過標(biāo)度確定輸入值,如表1所示,表中分別為基本工程和樣本工程的風(fēng)險(xiǎn)因素,輸入值為人工神經(jīng)元網(wǎng)絡(luò)的輸入值。
2.2 網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練
網(wǎng)絡(luò)設(shè)計(jì)主要解決的問題是隱層數(shù)設(shè)計(jì)和隱層節(jié)點(diǎn)設(shè)計(jì)。隱層數(shù)設(shè)計(jì)一般先考慮設(shè)一個隱層,當(dāng)一個隱層節(jié)點(diǎn)數(shù)很多仍不能改善網(wǎng)絡(luò)性能時,才考慮再增加一個隱層。隱層節(jié)點(diǎn)設(shè)計(jì)主要依據(jù)是訓(xùn)練誤差最小時的隱節(jié)點(diǎn)數(shù)。
網(wǎng)絡(luò)訓(xùn)練主要要解決的問題是尋找最佳訓(xùn)練次數(shù),以獲得好的泛化能力。當(dāng)測試誤差最小時,停止訓(xùn)練。
3案例分析
以國內(nèi)一家總承包公司采用EPC模式實(shí)行總承包為例。共收集到24樣本,1個作為基本工程,20個作為訓(xùn)練樣本,3個作為檢測樣本,運(yùn)用MATLAB建立風(fēng)險(xiǎn)加價費(fèi)率預(yù)測模型。
3.1 確定輸入元素
結(jié)合本案例中項(xiàng)目的特點(diǎn),列出了具體的風(fēng)險(xiǎn)因素(如圖2所示),并運(yùn)用AHP計(jì)算出各因素的相對權(quán)重。最后根據(jù)權(quán)重排序,從17個因素中選取12個權(quán)重較大的輸入變量。
圖2 風(fēng)險(xiǎn)因素
3.2 確定輸入輸出數(shù)據(jù)
輸入元素量化,先建立風(fēng)險(xiǎn)清單,見表2。作為樣本工程識別風(fēng)險(xiǎn)事件的參考依據(jù)。通過樣本風(fēng)險(xiǎn)的識別、分析與評價,確定所選樣本的自留風(fēng)險(xiǎn)事件,并對風(fēng)險(xiǎn)事件進(jìn)行評價分析。
3.3 網(wǎng)絡(luò)設(shè)計(jì)和訓(xùn)練
運(yùn)用MATLAB,建立單隱層模型,經(jīng)過訓(xùn)練,網(wǎng)絡(luò)性能良好,并確定隱層節(jié)點(diǎn)數(shù)為10時,訓(xùn)練誤差最小。并經(jīng)過7000多次訓(xùn)練后得到最小誤差。預(yù)測模型如圖3所示。
3.4 檢驗(yàn)樣本預(yù)測
最后引用樣本數(shù)據(jù)進(jìn)行模型的檢測并發(fā)現(xiàn),絕對誤差達(dá)到令人滿意的效果,預(yù)測值與實(shí)際值非常接近。見表4。
4結(jié)論
通過以上分析發(fā)現(xiàn),BP神經(jīng)網(wǎng)絡(luò)對風(fēng)險(xiǎn)加價費(fèi)率預(yù)測具有一定的精準(zhǔn)性,可以為承包商在投標(biāo)報(bào)價時提供決策支持。
【基于BP神經(jīng)網(wǎng)絡(luò)的工程項(xiàng)目投標(biāo)報(bào)價風(fēng)險(xiǎn)加價預(yù)測研論文】相關(guān)文章：
基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類方法研究09-11
基于改進(jìn)BP的神經(jīng)網(wǎng)絡(luò)模型參考自適應(yīng)控制05-23
基于RBF神經(jīng)網(wǎng)絡(luò)的水體富營養(yǎng)化預(yù)測07-24
基于廣義回歸神經(jīng)網(wǎng)絡(luò)的經(jīng)濟(jì)預(yù)測模型研究07-10
基于粗集的神經(jīng)網(wǎng)絡(luò)的項(xiàng)目風(fēng)險(xiǎn)的評估10-03
基于粗集的神經(jīng)網(wǎng)絡(luò)的項(xiàng)目風(fēng)險(xiǎn)評估09-17
基于粗集神經(jīng)網(wǎng)絡(luò)的項(xiàng)目風(fēng)險(xiǎn)評估08-04
基于BP神經(jīng)網(wǎng)絡(luò)的點(diǎn)狀地圖符號模式識別08-19