李林玮
（中石化宁波工程有限公司，浙江，宁波，315103）
【摘 要】神经网络非常适合于复杂的建模与控制，特别是当系统存在不确定性因素时候，更体现神经网络方法的优越性，故对其研究具有非常重要的意义。本文以下内容将对神经网络在项目总承包风险中的应用进行分析和探讨，以供参考。
【关键词】神经网络；项目总承包；风险
1、前言
神经网络模拟人脑神经系统的运作方式，通过大量神经元的复杂连续，采用自上而下的方法，经过自学习、自组织和非线性动力学形成的并行分布方式，处理非形式化信息。神经网络使机器具有人脑那样的感知，学习和推理能力；它将控制系统看成是由输入到输出的一个映射，利用神经网络的学习能力和适应能力实现系统的映射特性，从而完成对系统的建模和控制。它使模型和控制的概念更加一般化，理论上讲，基于神经网络的控制系统具有一定的学习能力，能够更好地适应环境和系统特性的变化，非常适合于复杂系统的建模和控制。在建筑管理中，神经网络在预测、经济预警、招标投标、成本预算、工程事故分析、成本控制、风险分析等方面已有广泛的应用。本文以下内容将对神经网络在项目总承包风险中的应用进行分析和探讨，以供参考。
2、RBF神经网络模型介绍
承包商在总承包项目中投标报价时候，必须对工程项目进行考察、研究、识别出项目的风险，并对风险进行分析与评价，制定应对计划方法，根据自己的承受能力，决定自留风险并对风险进行综合评价。由于风险具有不确定性、非独立性的特点，采用一般数学工具进行风险总评价比较困难，所以利用神经网络预测控制特性建立一个与所测系统等价的模型，解决上述问题。
目前，在工程领域运用比较成熟的网络是BP网络、RBF基函数网络，BP网络是全局逼近，所以训练速度通常很慢及很容易陷入局部极小点。而RBF网络使用局部指数衰减的非线性函数对非线性输入输出映射进行局部逼近，这也意味着，逼近非线性输入输出映射，要达到相同的精度，RBF网络所需要的参数要比BP少得多，训练时间短。由于RBF神经网络结构简单、训练简洁而且学习收敛速度快，能够逼近任意非线性函数，所以RBF网络有较为广泛的应用，如时间序列分析、模式识别、非线性控制和图像处理等。
3、神经网络在项目总承包风险中的应用
3.1 建模与样本选择原则
主要有如下几个方面的原则：一是考虑到承包商自身情况，数据的收集必须来自于同一承包商，也就是建立模型必须有针对性；二是训练样本越多，应用其模型检测的结果误差越小，这如同神经系统条件反射的形式一样，刺激的次数越多，条件反射形式越固定；三是同一类型或者同一时间、同一地区的样本越多，其检测结果越有其实际意义，其实用价值越大；四是神经网络的刺激元素中顺序没有轻重区别，即第一个元素和第十二小元素对神经网络的刺激作用相同。
3.2 基于RBF神经网络的总承包风险费率模型的建立
风险补偿费不但与风险因素有关，而且与工程项目的直接费用有关，为了简化网络结构，将输入元素确定为总承包风险因素，输出元素确定为风险补偿费率，这个事依据每个工程实际风险补偿费占总成本的百分比数来确定，消除项目直接费对总承包风险补偿费的影响。一是影响总承包风险补偿费率的因素很多，把它们都作网络的输入，显然会增加网络的复杂度，降低网络性能，使网络泛化能力差，增加了计算运行时间，影响计算的精度，同时由于不同的承包商对风险控制能力、偏好以及承受能力不同，所以在建模时要针对某一承包商进行项目总承包风险分析，确定神经网络输入元素。
期刊文章分类查询,尽在期刊图书馆二是径向基函数网络隐层神经元数目确定与网络设计有关，主要是：设计一个径向基函数网络，该函数利用迭代方法建立网络，开始时网络径向基层的神经元个数为零，然后每迭代一次，径向基层就添加一个神经元；精确设计一个径向基函数网络，该函数开始就设计隐层神经元数目等于输入样本数量，使得网络对输入样本矢量的响应输出和目标矢量相同，比较适合样本数较少时。三是输入元素值量化。基本思路为：列出每一个样本的风险因素清单，并推测出风险因素引起风险事件，合理设计风险事件发生概率及损失，确定哪些风险事件自留，在样本中选择一个基本工程作为评价标准，将其它样本工程分别与基本工程比较来确定输入元素值。
3.3 利用MATLAB语言进行网络设计
基于GUI的神经网路哦设计与分析的基本步骤：定义神经网络训练样本；将训练样本数据导入GUI；创建神经网络，在准备好训练样本之后，点击主界面上New Network按钮，然后对神经网络的名称、类型、结构和训练等参数进行设置，点击View可以显示网络结构，设置完神经网络参数之后，点击Create按钮以即可生成相应的神经网络对象；神经网络的初始化，在神经网络创建完成后，网络的权值和阀值已进行了初始化，点击界面Weights即可对初始化的网络权值和阀值数据进行修改；神经网络的训练；神经网络的仿真；将训练结果和数据导出GUI。
3.4 总承包风险因素敏感性分析
在项目经济评价中，敏感性分析有单因素敏感性和多因素敏感性分析两种：一是单因素敏感性分析是对单一不确定因素变化的影响进行分析，即假设各不确定性因素之间相互独立，每次只考察一个因素，其他因素保持不变，以分析这些可变因素对评价指标的影响程度；二是多因素敏感性分析是对两个或两个以上相互独立的不确定因素同时变化时，分析这些变化的因素对指标的影响程度和敏感程度。
例如：某公司35 万吨/年聚丙烯装置及聚合物包装及储运仓库，为甲醇深加工项目配套的装置之一。装置为单线生产。聚丙烯配套的装置，包括聚烯烃粒料产品包装码垛系统、仓库、汽车装车台、火车装车台等。在这里假定每个风险因素输入值分别变化±0.1，进行预测，将输出值与评价值比较，发现汇率、设计、工程量设计、分包商、工程管理是最敏感的因素，这样就可以将这些因素作为项目总承包风险管理的重点对象，在这里用2个因素来计算，使用2组（汇率、设计；设计、工程量）双因素变化±0.1分别预测风险补偿费率，计算偏差，并与两个单因素变化的偏差之和相减，取绝对值，得到依赖度。这样就能够制成表格进行比较，得到第一组两风险因素具有相互抑制性；第二组两因素变化率为-0.1时，表明风险因素之间相互抑制，变化率为0.1时，表明风险因素之间相互促进。
上述敏感性分析都假定不确定性因素是相互独立的，分析函数多为线性，基本上进行单因素分析，风险补偿费率中不确定性因素基本上是非独立，因素对补偿费率的影响是非线性的，用项目经济评价中的敏感性分析方法不能对总承包风险因素进行分析，如果利用人工神经网络的非线性、信息并行处理方式特点，对网络单个或多个输入因素按照一定的变化幅度改变其数值，预测出输出值，比较变化前后值可以对风险因素重要性进行评价，它在一定程度上定量描述了不确定性因素的变动对风险补偿费率的影响。通过两个因素同时变化的偏差值与这两个单因素分别变化的偏差值和的比较，可以判断风险之间的依赖度，得到风险之间是否相互抑制或相互促进，有助于针对敏感因素制定出管理和应对对策，并在确定敏感因素输入值时要求应尽量精确，减少预测误差，以达到尽量减少风险、增加决策可靠性的目的。
4、结论
本文以上内容首先对RBF神经网络模型进行了介绍，随后对神经网络在项目总承包风险中的应用进行了分析和探讨，表达了观点和见解。但本人深知，尽管神经网络在总承包风险中已经得到了快速的发展，但仍然存在许多不足之处亟待解决，在接下来的工作中，本人将认真研究，并将其更好的与实际工程相结合，以促进工程的有序开展。
参考文献：
[1]《建设项目基本风险空间研究》周直等，重庆交通学院学报
[2]《工程项目投资风险评价模型研究》张俊玲等，基建优化
[3]《人工神经网络原理及仿真实例》高隽等，机械工业出版社
论文作者:李林玮
论文发表刊物:《工程建设标准化》2016年5月总第210期
论文发表时间:2016/7/15
标签：神经网络论文; 风险论文; 因素论文; 网络论文; 总承包论文; 样本论文; 敏感性论文; 《工程建设标准化》2016年5月总第210期论文;