基于topsis的支持向量機方案評估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于TOPSIS的支持向量機方案評估方法，特別是針對費用數(shù)據(jù) 信息缺乏的產(chǎn)品研制階段費用估算方案。
【背景技術(shù)】
[0002] 隨著科技的發(fā)展，社會的進步，在一個項目開始之前，對費用估算成為一個必不可 少的環(huán)節(jié)。然而在產(chǎn)品研制階段，尤其是新研制某種產(chǎn)品時，可利用的費用數(shù)據(jù)是很少的， 此時人們會根據(jù)現(xiàn)有經(jīng)驗給出很多個費用估算方案，而如何判斷某一個方案是合理的、最 優(yōu)的，則需要使用方案評估方法。研制階段是一個項目的指導方針，因此，方案評估的準確 程度的要求也是很苛刻的，因為對每一個方案進行評估時有任何的誤判，都可能導致重大 的經(jīng)濟損失，這樣的案例，在國內(nèi)舉不勝舉。
[0003] 目前國內(nèi)外針對方案評估方法有很多，如：層次分析法、灰色理論法、熵權(quán)法、主成 分分析法、神經(jīng)網(wǎng)絡法、TOPSIS法和支持向量機法。但到目前為止，每一種方法都存在某種 不足之處，如：層次分析法及主成分分析法對特征根及特征向量的求解復雜；灰色理論法 及熵權(quán)法需要經(jīng)過繁瑣的計算求得指標權(quán)重；神經(jīng)網(wǎng)絡法容易陷入局部最優(yōu)，甚至無法得 到最優(yōu)解；TOPSIS法在確定屬性優(yōu)、劣值時，存在一定的主觀性；支持向量機法回歸預測的 目標函數(shù)的建立困難。
[0004] 在這種背景下，本發(fā)明專利采取了一種新的綜合方法，即首先根據(jù)專家的經(jīng)驗對 費用因子進行估算，然后利用支持向量機法機器學習的特性來協(xié)調(diào)TOPSIS在選取屬性優(yōu)、 劣值時存在的主觀性，并將TOPSIS方法中的貼近度函數(shù)作為支持向量機中回歸預測的目 標函數(shù)，二者互補，得到一種相對較優(yōu)的方案評估方法。
[0005] 支持向量機和TOPSIS方法均可以對方案進行評估，目前為止，已有很多單獨使用 的支持向量機或TOPSIS方法進行方案評估的相關(guān)專利，如：
[0006] (1)發(fā)明專利"一種數(shù)控裝備性能可靠性評估方法"，該專利是利用最小二乘法擬 合性能參數(shù)分布類型，并判斷其擬合程度；然后采用多元支持向量回歸機訓練得到以時間 和性能參數(shù)分布的統(tǒng)計特征為輸入和輸出的最優(yōu)非線性回歸函數(shù)，即性能參數(shù)分布的統(tǒng)計 特征隨時間變化的函數(shù)，進而性能參數(shù)的概率密度函數(shù)，從而得到數(shù)控裝備的可靠度。
[0007] (2)發(fā)明專利"基于核函數(shù)優(yōu)化的支持向量機太陽翼展開可靠性評估方法"，該發(fā) 明公開了一種基于核函數(shù)優(yōu)化的支持向量機太陽翼展開可靠性評估方法，包括：根據(jù)專家 知識建立太陽翼展開可靠性綜合評價指標體系；采用物元法和層次分析法得到評價指標體 系的權(quán)向量；由專家對影響太陽翼展開的諸因素測量值評分，將評分結(jié)果視為樣本數(shù)據(jù)； 由程序自動選取支持向量機SVM核函數(shù)及其參數(shù)值，構(gòu)建訓練模型；使用交叉驗證來檢驗 核函數(shù)及其參數(shù)是否需要進行微調(diào)；用檢測樣本來驗證所建模型，對太陽翼展開可靠性作 出評估。
[0008] (3)發(fā)明專利"一種電能質(zhì)量綜合評估的方法"，該發(fā)明公開了一種運用灰色關(guān)聯(lián) 系數(shù)矩陣的TOPSIS法對電能質(zhì)量綜合評估的方法，將各時段電能質(zhì)量數(shù)據(jù)與各等級標準 數(shù)據(jù)作為原始決策矩陣；改進AHP法確定主觀權(quán)重；熵權(quán)法確定客觀權(quán)重；建立最小二乘法 優(yōu)化決策模型獲得綜合權(quán)重以使所有指標的主、客觀權(quán)重下的決策結(jié)果偏差最小；對決策 矩陣標準化、加權(quán)標準化處理，利用灰色理論得到灰色關(guān)聯(lián)系數(shù)矩陣；將灰色關(guān)聯(lián)系數(shù)矩陣 作為TOPSIS法的決策矩陣，求取各方案的正、負理想解的距離及其相對貼近度；比較各時 段電能質(zhì)量貼近度和各電能質(zhì)量等級標準的貼近度，最后獲得各時段電能質(zhì)量等級。
[0009] (4)發(fā)明專利"基于信息熵的TOPSIS法多目標威脅排序方法"，該發(fā)明提供了一種 基于信息熵的TOPSIS法多目標威脅排序方法，首先建立威脅評估威脅因子模型；然后根據(jù) 威脅因子模型建立目標屬性決策矩陣；根據(jù)決策矩陣采用熵權(quán)法計算目標屬性權(quán)重向量； 最后根據(jù)熵權(quán)法計算出的權(quán)重向量，采用TOPSIS方法計算各目標方案相對貼近度，根據(jù)相 對貼近度的大小即威脅度的大小，對各方案進行威脅評估排序。
[0010] 本發(fā)明基于TOPSIS的支持向量機方法是針對費用估算方案評估的前沿方法，該 方法是利用專家經(jīng)驗對選定的費用因子進行估算，再通過TOPSIS方法對數(shù)據(jù)進行規(guī)范化 處理，將其貼近度函數(shù)作為支持向量機回歸預測的目標函數(shù)，利用軟件MATLAB中的LIBSVM 工具箱，對方案進行回歸預測，最后根據(jù)預測出的貼近度值的大小，選出最優(yōu)方案，根據(jù)最 優(yōu)方案得到研制階段的費用總和估值。

【發(fā)明內(nèi)容】

[0011] 本發(fā)明的提出，旨在為了解決關(guān)于研制階段數(shù)據(jù)缺乏情況下的費用估算方案評估 問題，利用本發(fā)明提出的方法目的在于克服現(xiàn)有國內(nèi)外方案評估方法存在的缺陷，如：層次 分析法及主成分分析法對特征根及特征向量的求解復雜；灰色理論法及熵權(quán)法需要經(jīng)過繁 瑣的計算求得指標權(quán)重；神經(jīng)網(wǎng)絡法容易陷入局部最優(yōu)，甚至無法得到最優(yōu)解；TOPSIS法 在確定屬性優(yōu)、劣值時，存在一定的主觀性；支持向量機法回歸預測的目標函數(shù)的建立困 難，而提供一種基于TOPSIS的支持向量機方法的費用估算方案評估的前沿方法。
[0012] 本發(fā)明的技術(shù)解決方案是這樣現(xiàn)實的：
[0013] -種基于TOPSIS的支持向量機方案評估方法，其特征在于包括以下步驟：
[0014] 步驟一：產(chǎn)品研制階段其費用構(gòu)成有η個單元，聘請m個專家對費用單元進行評 估，如表1所示；
[0015] 表1專家評估表
[0016]
【主權(quán)項】
1. 一種基于TOPSIS的支持向量機方案評估方法，其特征在于包括以下步驟： 步驟一：產(chǎn)品研制階段其費用構(gòu)成有η個單元，聘請m個專家對費用單元進行評估，如 表1所示； 表1專家評估表
步驟二：根據(jù)表1，得到TOPSIS方法中的原始數(shù)據(jù)矩陣為：
步驟三：利用歸一化公式.V,:,=~'指^' = U,…具./ = 1,2,…,η'對原始數(shù)據(jù)矩陣進 行歸一化處理，得到無量綱數(shù)據(jù)或者數(shù)值近似數(shù)據(jù)，歸一化處理后矩陣為：
步驟四：選擇最優(yōu)解與最劣解，根據(jù)實際情況選擇最優(yōu)費用因子； Z+= {Z /} = best {xn，Xi2，…，XiJ i = 1，2,…，m. j = 1，2,…，η· (3) T= {Z jl = worst {xn, xi2, ···, xin} i = l,2, ···, m. j = I, 2, ···, η. (4) 步驟五：根據(jù)矩陣（2)、最優(yōu)解和最劣解及貼近度公式得到各個專家的估算值與理想 值的貼近度為：
式中，(Ii+--專家估值與最優(yōu)解之間的差距 Cli--專家估值與最劣解之間的差距 Ci值越大表示越接近，C i的取值范圍為O~1 ; 步驟六：將貼近度函數(shù)（5)作為支持向量機預測的目標函數(shù)，利用MATLAB中的LIBSVM 工具箱對貼近度進行預測，預測模型為：
步驟七位專豕甲的一位專豕佰算萬菜作為測試集數(shù)據(jù)，共澩m-Ι位專家的估算方 案作為訓練集數(shù)據(jù)，利用訓練集數(shù)據(jù)建立回歸預測模型，表示為： model = svmtrain(y, X，，-s-t-c，） (7) 式中，model表示訓練得到的回歸預測模型；svmtrainO表示訓練函數(shù)；y表示訓練集 真實值；X表示訓練集數(shù)據(jù)；-S表示支持向量機類型，_t表示核函數(shù)類型，-C表示懲罰系 數(shù)； 步驟八：利用建立的回歸預測模型，檢查訓練集的預測誤差情況，即 [py, mse] = svmpredict(y, x, model) (8) 式中，py表示回歸預測輸出值，mse表示的是交叉檢驗下的均方根誤差值， svmpredict ()為回歸預測函數(shù)； 根據(jù)訓練集回歸預測輸出值和訓練集真實值，利用軟件MATLAB生成擬合圖，通過調(diào)整 模型參數(shù)，達到設定的擬合程度； 步驟九：開始預測，即 [ptesty, tmse] = svmpredict(testy, testx, model) (9) 式中，ptesty為測試集預測值；tmse為測試集在交叉檢驗下的均方根誤差值；testy為 測試集真實值；testx為測試集數(shù)據(jù)； 步驟十：根據(jù)預測結(jié)果可以得到最優(yōu)的專家估算方案，設為P號專家估算方案，再根據(jù) P號專家估算值，計算研制階段的費用。 C = xpl+xp2+...+xpn，1 彡 p 彡 m. (10)
2.根據(jù)權(quán)利要求1所述的基于TOPSIS的支持向量機方案評估方法，其特征在于，所 述步驟七中支持向量機類型包括二分類支持向量機C-SVC、多分類支持向量機nu-SVC和 回歸預測支持向量機epsilon-SVR ;核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、徑向基核函數(shù) (RBF)、sigmoid 核。
【專利摘要】一種基于TOPSIS的支持向量機方案評估方法，包括確定方案所涉及的費用因子，根據(jù)選定的費用因子聘請專家對其進行評估，形成判斷矩陣；對原始數(shù)據(jù)進行歸一化處理；根據(jù)所選取的費用因子的固有本質(zhì),從規(guī)范矩陣中選取其理想解和負理想解；求出各方案到理想解與負理想解的距離；將貼近度轉(zhuǎn)化為方案屬性值和正、負理想解的函數(shù)；將支持向量機方法與TOPSIS方法結(jié)合并利用軟件MATLAB對方案進行評估，運用支持向量機處理獲取的客觀信息，利用TOPSIS的貼近度函數(shù)作為目標函數(shù)，建立回歸預測模型；建立測試集并進行回歸預測；根據(jù)預測結(jié)果對專家評估的方案優(yōu)劣進行排序，求得最優(yōu)估算方案的費用總和估值。本發(fā)明的方法是目前國內(nèi)外針對費用估算方案評估的前沿方法。
【IPC分類】G06Q10-00
【公開號】CN104657779
【申請?zhí)枴緾N201510068225
【發(fā)明人】陳秉智, 李永華, 李金穎
【申請人】大連交通大學
【公開日】2015年5月27日
【申請日】2015年2月9日