基于支持向量机的层次分析评价例

来源:用户上传      作者:

　　摘要：本文旨在探讨如何使用工程经济学知识来解决建设工程带来的新环境问题。工程经济学本质上要求对经济活动的物质代谢循环和资源价值流动进行统一管理。但随着传统建筑业的重要生产资料如水泥、沥青等原材料在生产使用的全过程中存在着严重污染大气环境的问题，传统工程经济学评价指标必须做出修正。本文利用层次分析法（AHP）评定工程材料全寿命环境影响因子，利用支持向量机神经网络算法（sVM）判断权重，计入考察工程项目可行性的评价指标。提出一种判断项目可行性的方法。
　　关键词：AHP 支持向量机 动态评价指标 可行性评价
　　一、工程项目可行性评价现状
　　可行性研究作为建设项目前期进行重要决定的工作，是科学决策的重要环节和工程项目管理的关键，由此，项目可行性研究在经济建设中发挥着不可替代的作用。
　　二、支持向量机（SVM）神经网络模型
　　（一）定义
　　由Vapnik首先提出的支持向量机（support vector machIRe）是一种通用前馈型神经网络，由于其坚实的理论基础和良好的泛化性能，sVM已成为最流行的分类算法之一，广泛用于故障诊断、医疗诊断等领域。算法思想是要建立一个最优分类超平面（optimal hyperplane）并使得该平面两侧距离平面最近的两类样本之间的距离最大化。支持向量机具有很多优点，比如：鲁棒性、通用性、计算简单、有效性、理论完善。
　　（三）环境权重计算
　　在Matlab中利用svmtrain（）函数可以一次性实现神经网络的创建、训练，利用函数进行网络测试。最后使用spss对输出数据进行整理，设置好网络参数后，输入以搜集工程评价体系的环境参数（共90组数据），即可运行程序，得到实验结果。
　　为了保障实验的准确性，抽取实验数据的98.9%进行重复测试，得到的准确率如下：
　　检验数据的正确率达到了100%，这说明向量机通过大量数据学习，对环境因子判断足够精确，如能推进支持向量机的深度学习能大大减少噪声，避免由于不平衡数据导致的模型失真现象，提高模型的准确性。
　　三、基于SVM的层次分析模型的建立
　　（一）構造判断矩阵
　　判断矩阵是从定性过渡到定量的重要环节，是通过两两比较得出的。相对重要性的量化很难精确，层次分析法通常采用1～9标度法，即用自然数1～9及其倒数来表示。
　　四、结论
　　通过传统的专家打分法得到工程材料全寿命环境影响因子的权重，具有较大的主观性。本文创新性地提出了支持向量机神经网络算法（svM）结合层次分析法（AHP）的新综合评价方法。向量机通过大量数据学习，对环境因子判断更为精确，进一步确定各个影响因子的权重，并通过一致性检验。该方法优化了传统工程经济的层次分析法评价体系，提高了层次分析法在传统工程经济中的实用性与科学性。
转载注明来源:https://www.xzbu.com/3/view-14970534.htm