人工神经网络在项目成本管理中的应用.pdf
上传人:qw****27 上传时间:2024-09-10 格式:PDF 页数:5 大小:248KB 金币:15 举报 版权申诉
预览加载中,请您耐心等待几秒...

人工神经网络在项目成本管理中的应用.pdf

人工神经网络在项目成本管理中的应用.pdf

预览

在线预览结束,喜欢就下载吧,查找使用更方便

15 金币

下载此文档

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

http://www.paper.edu.cn人工神经网络在项目成本管理中的应用石振辽宁工程技术大学工商管理学院,辽宁葫芦岛(125105)E-mail:dabai_241@126.com摘要:成本管理是项目管理中的重要管理内容。在项目管理中,对成本进行系统的分析,对于提高项目的综合效益具有很重要的意义。通过对人工神经网络的基本特征和原理的分析,讨论了人工神经网络在项目成本管理中的应用,并通过实例证明其可行性和有效性。关键词:人工神经网络;项目成本管理;BP网络1.引言项目成本管理[1]是为保障项目实际发生的成本不超过项目预算而开展的项目资源计划、项目成本估算、项目预算编制和项目预算控制等方面的管理活动。项目成本管理也是为确保项目在既定预算内按时、按质、经济、高效地实现项目目标所开展的一种项目管理过程。长期以来,我国在项目成本管理方面的认识,基本上停留在对于工程项目的造价确定与控制上。随着现代项目管理对项目本身内涵的丰富,人们开始认识各种其他种类项目的成本管理规律和方法。人工神经网络(ArtificialNeuralNetwork,简称ANN)[2]是在对人脑组织结构和运行机制的认识理解基础之上模拟其组织结构、处理方式和系统功能的一种工程系统。早在上个世纪40年代初期,心理学家McCulloch、数学家Pitts思就提出了人工神经网络的第一个数学模型,从此开创了神经科学理论的研究时代。其后,F.Rosenblatt,Widrow和Hopf,J.J.Hopfield等学者又先后提出了感知模型,使得人工神经网络技术得以蓬勃发展。人工神经网络同现行的计算机不同,是一种非线性的处理单元。因此神经网络是一种具有高度非线性的超大规模连续时间动力学系统。项目成本管理是利用以往类似项目的数据,并运用一定的模型而进行计算和管理的。但这种方法由于影响因素多且复杂,加之受到所收集数据的随机性、模糊性等的影响,难以达到令人满意的精度。而人工神经网络对难以精确描述的复杂非线性对象建模、计算或推理具有极高的精度和准确性,从而在节约项目成本的同时,充分提高了的项目经济收益。本文将利用神经网络对项目成本管理进行优化分析。并通过实例证明此方法是有效的。2.人工神经网络2.1人工神经网络的基本原理人工神经网络是一个由大量神经元通过极其丰富和完善的连接而构成的自适应非线性动态系统。典型的生物神经元具有称为树突的部件,它从细胞体中伸向其他神经元并在称为突触的联结点上接收信息。然后将这些信息累加起来.有些输入信息倾向于激活该细胞,另一些信息倾向于抑制其激发。当细胞体中累加的激发信息超过某一阈值时细胞被激活。该细胞称为轴突的部件向其他神经细胞发出相应的信息[2]。2.2BP网络算法原理人工神经网络对非线性函数有良好的逼近能力,其中研究最多、应用最广泛的是多层前馈神经网络BP模型。BP网络由3个神经元层组成,分别为输入层、隐含层、输出层,其-1-http://www.paper.edu.cn结构如图1所示:图1BP网络结构3.模型的建立BP算法的学习过程由正向和反向传播组成[4],在正向传播过程中,输入信息经隐含单元逐层处理并传向输出层,如果输出层不能得到期望的输出,则转入反向传播过程,将实际值与网络输出之间的误差沿原来的连接通路返回,通过修改各层神经元的连接权值,使误差减少,然后再转入正向传播,反复叠代,直到误差小于给定的值为止。BP算法推倒如下[4]:3.1隐含单元输入对于隐含单元,各单元输入信息加权求和后得到该单元的输入信息:Mnet=WXj∑ijii=1式中:Wij是第i输入单元到j单元的权重;Xi为输入单元的输入信息;M为所有联结到j单元的输入单元数。3.2隐含单元输出该net信号经过一激发函数的处理得到该单元的输出,激发函数可以是线性函数、阶跃函数或非线性函数。BP算法用的是Sigmoid函数−xf(x)=1(1+e)即Oj=1[1+exp(−netj+θj)]式中,Oj为隐含单元的输出;θj为隐含单元阈值。3.3输出单元输入同理,对于输出单元,各单元输入信息加权求和后得到该单元的输入信息:snetk=∑WjkOij=1式中,Wjk是第j隐含单元到第k输出单元的权重;Oj就为第j隐含单元的输出信息;S为所有联结到k单元的隐含单元数。-2-http://www.paper.edu.cn3.4输出单元输出输出单元的输出为:Yk=1exp(−netk+θk)式中,Yk为输出单元的输出信息;θk为输出单元阈值。3.5调整权重神经网络的一个重要功能是可以近似实现任意空