[关键词]软件项目风险管理神经网络粗集
本篇论文的中心是基于粗集的人工神经网络(ANN)技术的高风险识别，这样在制定开发计划中，最大的减少风险发生的概率，形成对高风险的管理。
一、模型结构的建立
本文基于粗集的BP神经网络的风险分析模型,对项目的风险进行评估,为项目进行中的风险管理提供决策支持。在这个模型中主要是粗糙集预处理神经网络系统，即用RS理论对ANN输入端的样本约简，寻找属性间关系，约简掉与决策无关的属性。简化输入信息的表达空间维数，简化ANN结构。本论文在此理论基础上，建立一种风险评估的模型结构。这个模型由三部分组成即：风险辨识单元库、神经网络单元、风险预警单元。
1.风险辨识单元库。由三个部分功能组成：历史数据的输入，属性约简和初始化数据.这里用户需提供历史的项目风险系数。所谓项目风险系数,是在项目评价中根据各种客观定量指标加权推算出的一种评价项目风险程度的客观指标。计算的方法:根据项目完成时间、项目费用和效益投入比三个客观指标,结合项目对各种资源的要求,确定三个指标的权值。项目风险系数可以表述成:r=f(w1,w2,w3,T,T/T0,S/S0,U/U0),R<1；式中:r为风险系数;T、T0分别为实际时间和计划时间;S、S0分别为实际费用和计划费用;U、U0分别为实际效能和预计效能;w1、w2、w3分别是时间、费用和效能的加权系数,而且应满足w1+w2+w3=1的条件。
2.神经网络单元。完成风险辨识单元的输入后,神经网络单元需要先载入经初始化的核心风险因素的历史数据,进行网络中权值的训练,可以得到输入层与隐含层、隐含层与输出层之间的权值和阀值。
(1)选取核心特征数据作为输入，模式对xp=[xp1,xp2,.,xpn]T,dp(网络期望输出)提供给网络。用输入模式xp,连接权系数wij及阈值hj计算各隐含单元的输出。
m
Ypj=1/{1+exp[-(∑wijxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
(2)用隐含层输出ypj,连接权系数wij及阈值h计算输出单元的输出
m
Yp=1/{1+exp[-(∑wjxpi-hj)]},i=1,2,.,m;j=1,2,Λ,n,
i=1
Yp=[y1,y2,……,yn]T
(3)比较已知输出与计算输出,计算下一次的隐含各层和输出层之间新的连接权值及输出神经元阈值。
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是初始步长;t是学习次数;T是总的迭代次数;M是一个正数,α∈(0,1)是动量系数。σp是一个与偏差有关的值,对输出结点来说；σp=yp(1-yp)(dp-yp)；对隐结点来说,因其输出无法比较,所以经过反向推算；σpj=ypj(1-ypj)(ypwj)
(4)用σpj、xpj、wij和h计算下一次的输入层和隐含层之间新的连接权值及隐含神经元阈值。wij(k+1)=wij(k)+η(t)σpjxpi+α[wij(k)-wij(k-1)]
3.风险预警单元
根据风险评价系数的取值,可以将项目的风险状况分为若干个区间。本文提出的划分方法是按照5个区间来划分的:
r<0.2项目的风险很低,损失发生的概率或者额度很小;
0.2≤r<0.4项目的风险较低,但仍存在一定风险;
0.4≤r<0.6项目的风险处于中等水平,有出现重大损失的可能;
0.6≤r<0.8项目的风险较大,必须加强风险管理,采取避险措施;
0.8≤r<1项目的风险极大,重大损失出现的概率很高,建议重新考虑对于项目的投资决策。
总之，有许多因素影响着项目风险的各个对象，我们使用了用户评级的方式，从风险评估单元中获得评价系数五个等级。给出各风险指标的评价系数，衡量相关风险的大小。系数越低，项目风险越低；反之，系数越高，项目风险越高。
二、实证：以软件开发风险因素为主要依据
这里我们从影响项目风险诸多因素中，经项目风险系数计算，作出决策表，利用粗集约简，抽取出最核心的特征属性(中间大量复杂的计算过程省略)。总共抽取出六个主要的指标(PersonnelManagement/Training，Schedule，ProductControl，Safety，ProjectOrganization，Communication)确定了6个输入神经元，根据需求网络隐含层神经元选为13个，一个取值在0到1的输出三层神经元的BP网络结构。将前十个季度的指标数据作为训练样本数据，对这些训练样本进行数值化和归一化处理，给定学习率η=0.0001，动量因子α=0.01，非线性函数参数β=1.05，误差闭值ε=0.01，经过多次迭代学习后训练次数N＝1800网络趋于收敛，以确定神经网络的权值。最后将后二个季度的指标数据作为测试数据，输入到训练好的神经网络中，利用神经网络系统进行识别和分类，以判断软件是否会发生危机。实验结果表明，使用神经网络方法进行风险预警工作是有效的，运用神经网络方法对后二个季度的指标数据进行处理和计算，最后神经网络的实际输出值为r=0.57和r=0.77，该软件开发风险处于中等和较大状态，与用专家效绩评价方法评价出的结果基本吻合。
参考文献：
[1]王国胤“Rough:集理论与知识获取”[M].西安交通大学出版社，2001
[关键词]信用风险；模糊综合评价法；BP神经网络；评价指标体系
[中图分类号]F83[文献标识码]A[文章编号]
2095-3283（2013）09-0128-03
[作者简介]朱虹（1986-），女，满族，内蒙古人，研究生硕士，研究方向：现代化管理与技术支持、数据库与信息系统集成、决策支持系统；何泽恒（1956-），男，汉族，辽宁人，教授，硕士研究生导师，研究方向：数据库与信息系统集成。
一、引言
商业银行向多元化发展的同时面临着各种金融风险，其中，信用风险是当前主要的金融风险之一，且发生频率高。我国对商业银行信用风险评估的研究起步较晚，各商业银行信用风险的分析与评估一般都存在以下几方面问题。1信用风险评价指标体系不全面。2企业提供的财务数据不准确、不充分。商业银行往往不能从中了解到企业的真实经营状况。3信用风险评估的方法单一。目前，国内大多数商业银行采用信用评分法，即选取一些相关的财务指标根据事先确定的分值表打分加总，这种方法主观性较强。
本文针对当前我国商业银行信用风险分析与评估存在的问题并努力克服传统的纯管理模式或纯数学方法研究的不足，以计算机技术及管理理论为基础，采用定性分析和定量分析相结合的研究方法，提出了基于BP神经网络的商业银行信用风险评估体系的构建思路，使其能对客户信用风险作出快速、准确的反应。
二、相关理论
（一）模糊综合评价法
模糊综合评价法[1]（FuzzyComprehensiveEvaluation，记为FCE）建立在模糊理论的基础上，它以隶属度为桥梁，通过对影响评价对象因素的综合分析，借助经验和隶属函数将非确定性的问题加以量化。具体步骤如下：
1建立集合
ⅰ评价因素集。指影响模糊问题因素的集合，用U表示，表示影响评价对象的因素，也称为评价指标，n为因素的个数。
ⅱ评语等级集合。指评价指标可能得出的所有评价结果的集合，用V表示，表示可能得到的一种评价结果，m为评价结果的个数。
2建立模糊评判矩阵（隶属度矩阵）
模糊评判矩阵是由单因素模糊向量组成的。单因素模糊向量表示针对单个因素ui评价所得到的v的模糊向量，也就是说，Ri表示评价因素ui对评语集中各个评语vj的隶属程度。其中rij表示评价因素ui对评语vj的隶属度。这里采用专家打分法来获取隶属度，即rij=对评价指标ui作出评语vj的专家人数/参加评价的专家人数。
3计算各评价因素的评价值
将评语等级集合中的元素数量化后可看作一个向量V1×m，则可得到第i个评价因素的数值化评价值。
（二）BP神经网络算法
BP（BackPropagation）神经网络[2-3]是一种按照误差逆向传播的多层前馈式神经网络，其学习过程由信号的正向传播与误差的反向传播组成。
设BP神经网络结构为n×q×m，网络包括输入层第i个神经元到隐含层第j个单元的权重，隐含层第j个神经元到输出层第k个神经元的权重，隐含层第j个神经元的阈值θHj，以及输出层第k个神经元的阈值θOk。非线性激活函数即sigmoid函数为：算法步骤：
1初始化。将网络的权值和阈值的初始值设置为[0，1]区间内的数值；
2网络的正向传播。设第p组数据样本的输入为，期望输出为，L表示样本总数，则隐含层第j个神经元的输
判断误差平方和E是否收敛于所给的学习精度ε，如果E≤ε，则算法结束，网络停止训练，否则继续后面的步骤。
4误差反向传播。从输出层开始，逐层反向传播，采用非线性规划中的最速下降法。
式中，η表示步长值或网络学习速率，引入η是为了加快网络的收敛速率，通常在权值修正公式中还增加一个动量参数a，则第n次学习权值的修改公式为：
5重复步骤（2）～（4），直到样本的输出误差满足预定的条件，结束网络训练。
三、商业银行信用风险评价指标体系的构建
（一）指标体系建立的原则
1全面性和重要性相结合[4]。由于商业银行信用风险来源广泛，受到多种因素的影响，所以评价指标的选取应全面而充分并且有针对性地反映度量对象的运营状况。指标体系建立的全面性原则主要体现在对商业银行信用风险来源进行划分与归类时，要保证内容的充分性，即不应遗漏重要的风险来源因素。重要性原则主要体现在指标的选择要有代表性，应选取影响因素中占据较大比重的那些指标。
2统计上的可行性和可操作性。可行性是指指标体系的设计应从研究实际条件出发，要有足够的信息资料，可以利用必要的人力、物力和切实可行的量化方法进行采集。可操作性要求指标体系的设置避免过于繁琐，数据容易采集，来源可靠，适于量化和操作。
3定量指标与定性指标相结合。定量指标较为具体、直观，可以计算实际数值，而且可以制定明确的评价标准，通过量化表述，达到令评估结果直接、清晰的目的。然而，商业银行信用风险评估是一个多维复杂系统，不是所有反映商业银行信用风险的因素都能够量化，这就需要设计定性指标予以反映。
4可预见性。指标体系的建立应能够深入挖掘贷款企业和银行本身潜在的风险信息，因此评价指标应该能够体现未来的发展趋势。
（二）信用风险评价指标体系的建立
本文在借鉴国内外有关文献相关指标的基础上，根据巴塞尔新资本协议，并遵循以上基本原则，考虑我国信用风险的特殊性和数据的可获得性，最终选择了19个最具有解释力的指标，建立商业银行信用风险评价指标体系，如图1所示。
三、实施方案
BP神经网络具有自学习、自适应和获取知识的能力，可以很好地处理不确定性问题，是一种非线性方法，不带有明显的主观成分和人为因素，使评价结果更客观、有效。但是，对于定性指标的分析缺乏相应的处理能力，而信用风险的评价指标具有很大的不易确定性，所以采用模糊综合评价法对信用风险的定性指标进行量化。具体实施方案如下：
1进行模糊预处理，运用模糊综合评价法把评价指标体系中的定性指标量化。
2构建BP神经网络模型，把经模糊处理的输出和评价指标体系中原有的定量指标值一起作为神经网络的输入，学习、训练神经网络。
3运用测试样本对已训练好的神经网络模型进行检测，如果符合要求，则可以投入使用。完成后的系统可以根据输出数据给出风险建议。
四、结语
本文围绕商业银行信用风险评估存在的主要问题，根据巴塞尔新资本协议，以及需要遵循的基本原则，确立了商业银行信用风险评估模型的指标体系，并针对信用
风险度量方法存在的不足，采用定性和定量相结合的方法，即模糊综合评价法和BP神经网络算法，对我国商业银行信用风险评估进行研究，所构建的信用风险评估模型可以帮助银行决策者根据客户所处的不同信用风险等级，及时、有效地制定解决措施。希望本文的研究思想、实现方法能对商业银行信用风险评估研究提出有益的参考和借鉴。
[参考文献]
[1]李士勇工程模糊数学及应用[M]哈尔滨：哈尔滨工业大学出版社，2004：96-108
[2]魏海坤神经网络结构设计的理论与方法[M]北京：国防工业出版社，2005：25-27
[关键词]模糊系统神经网络模糊推理神经网络威胁评估
一、引言
威胁评估就是根据战场敌我双方的态势推断敌方对我方的威胁程度,是防空指挥自动化系统的一个重要组成部分,是火力分配和战术决策的前提,对指挥员准确地判断敌情、正确部署、调整和使用兵力有着举足轻重的作用。目前常用的威胁评估方法主要有:层次分析法、多属性决策法、专家系统方法、模糊理论、神经网络方法等。
本文将模糊理论和神经网络融合,取长补短,提出了基于模糊推理网络的目标威胁评估方法。该方法利用神经网络来实现模糊逻辑推理,使神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的含义,并且系统具有自学习能力。实验表明,新方法保留了模糊理论和神经网络各自的优势,较好地解决了各自存在的问题,能有效地评估目标的威胁程度。
二、影响目标威胁程度的因素
在防空作战中,往往需要用多个因素刻画空袭目标的本质与特征。对地空导弹武器系统而言,影响目标威胁程度的主要因素有:
(1)目标的航路捷径P。指对武器部署点或保卫要地的航路捷径。
(2)目标类型C。空袭兵器的类型不同,其飞行速度和攻击能力也不同,对要地或地域的威胁程度也不同。
(3)机动特性M。主要考虑高度上的机动。当发现目标机动,说明其攻击意图明确,威胁程度大。
(4)到达发射区近界的时间T。
(5)电子干扰E。
三、模糊推理神经网络
一个多输入多输出的模糊推理网络系统(FNNS),它由五层组成,可直接完成模糊化、模糊推理、模糊运算、去模糊化等操作。
1.网络结构
FNNS各层的内部结构如下:
2.学习算法
FNNS的自组织学习过程和监督学习过程如下:
四、实验与分析
在一次保卫要地的防空作战中,某地空导弹营的探测雷达发现空中有4批敌对目标对我保卫要地构成了威胁。已识别出4批目标的类型C分别为战术弹道导弹、巡航导弹、歼击轰炸机、武装直升机,且已测得各批目标当前时刻的航路捷径P、到达发射区近界的时间T、电子干扰能力E(已归一化)。各个目标的数据如表1所示。
表14批目标的数据
根据上述数据,分别构建一个含4个输入节点、1个输出节点的神经网络(3层BP网)和模糊推理网络(5层),并进行训练。将得到目标威胁程度W的评估结果如下:
(1)模糊推理网络:W3=0.92>W1=0.63>W2=0.59>W4=0.57。即,目标3的威胁程度是最大的,目标4的威胁程度是最小的。
(2)神经网络:W3=0.89>W1=0.64>W2=0.59>W4=0.58。
可见,评估结果与模糊推理网络的相同,只是具体数据有所差异。
五、结论
本文将模糊理论与神经网络相结合,使用模糊推理神经网络评估目标的威胁程度。该方法利用神经网络来实现模糊逻辑推理,使神经网络没有明确物理含义的权值被赋予了模糊逻辑中推理参数的含义,使得规则容易抽取出来,并且系统具有自学习能力。仿真结果表明新方法能有效地评估目标的威胁程度。
参考文献:
[1]王卫平,田志学,陈选社.威胁判断的层次――效用模型在防空雷达中的运用[J].现代雷达,2005,27(2):8-14.
[2]曲长文,何友,马强.应用多属性决策的威胁评估方法[J].系统工程与电子技术,2000,22(5):26-29.
[3]刘玉全,李为民,王君.基于排列法的目标威胁评估模型[J].现代防御技术,2004,32(1):20-23.
[4]余舟毅,陈宗基,周锐.基于贝叶斯网络的威胁等级评估算法研究[J].系统仿真学报,2005,17(3):555-558.
[5]邓文运,尼喜.地面防空威胁估计模糊优化计算方法及使用[J].现代防御技术,2001,29(4):9-11.
[6]潘红华,王建明,朱森等.目标威胁判断的模糊模式识别模型[J].兵工学报,2004,25(5):576-580.
[7]王向华,覃征,刘宇等.径向基神经网络解决威胁排序问题[J].系统仿真学报,2004,16(7):1576-1579.
[8]黎洪生,卓祯雨.ANFIS模糊神经推理机在故障诊断中的应用[J].控制工程,2003,10(2):153-155.