[发明专利]一种基于BP神经网络的科研项目经费预算方法

说明书

技术领域

本发明涉及一种基于BP神经网络的科研项目经费预算方法，可实现基于历史项目经费数据的新科研项目经费预算。

背景技术

目前，常用的科研项目经费预算方法包括参数估算法、工程估算法、经验估算法和类比成本估算法等。

参数估算法根据型号研制的历史数据，把与研制过程有关的特征参数作为变量，运用数理统计方法，通过建立费用估算关系式（CER）来估算新型号经费。参数估算法可以快速客观地进行经费估算，在历史数据精确、完备的情况下，预测精度较高，但在模型选择、模型适应性、基础数据准确性等方面要求很高。

工程估算法是根据工作分解结构（WBS），将系统分解为若干分系统，每一分系统又分解为若干子系统，一直分解下去直至不能再分为止，然后按每一作业的构成要素估算成本，编制成本手册，自下而上将估算的费用累加，最终得到系统的总研制经费。该方法各分系统分解得越细，估算结果也越精确，工作量就越大。

专家判断法是制定项目资源计划时最常用的一种方法，通常是由成本管理专家根据以往类似项目的经验和对本项目的判断，经过周密思考，进行合理预测，制定项目资源计划的办法。该方法是基于过去的经验进行估计，因此是一个过于主观的方法。

类比成本估算法（ABE）的基本思想是：当提供了一个新项目时，将它与检索到的最相似的历史项目类比，通过比较来预测新项目的成本。但不同项目的研制经费比较是十分复杂的问题，往往不能通过个别型号研制经费的简单对比得出结论。

发明内容

为了克服传统经费预算方法模型适应度差、工作量大、过于主观等不足，本发明提出了基于BP神经网络的科研项目经费预算方法。BP神经网络强大的学习能力可将需考虑的多种科研项目经费影响因素的数据进行融合，根据历史经费数据通过训练建立影响因素与项目经费之间的非线性关系，输出一个经非线性变换后较精确的科研项目经费预测值。本发明利用BP神经网络并行分布处理、自组织、自适应、自学习和其容错性等独特的优良性能，克服了以上几种估算方法的不足，更好的解决了科研项目经费预算这一多因素、非线性的问题。

为解决上述技术问题，本发明具体方法如下：

第1步：分析科研项目经费构成，确定影响预算的关键因素；

所述关键因素包括定量指标和定性指标两部分；定量指标包括研究周期、参研人员数量、关键技术系数量、项目产出成果系数，定性指标包括项目创新性和项目复杂性；

第2步：建立影响因素的量化表达式；

定量指标的量化表达式为：其中，X'为量化后数据，X为量化前数据，X_min为同类影响因素的最小值，X_max为同类影响因素数据的最大值；

定性指标采用隶属度进行赋值，隶属度取值集合为（1、0.75、0.5、0.25），隶属度越高表示定性指标的性能越高；

第3步：将各影响预算的量化结果作为输入，项目经费预算结果作为输出，构建BP神经网络；该BP神经网络的输入层、隐含层和输出层神经元个数分别取6、7、1；输入层和隐含层神经元采用Sigmoid型激活函数，输出层神经元采用线性激活函数；神经元的初始权值取（-1，1）之间的随机数；学习速率取0.7，网络精度取0.01%；

第4步：从历史科研项目中获取第1步确定的6个关键因素以及项目实际经费，并采用第2步定义的量化表达式分别进行量化，构成训练样本；采用多个训练样本对BP神经网络进行训练；

第5步：实际预测时，对待预测的科研项目确定6个关键因素，输入训练好的BP神经网络，神经网络的输出即为经费预算结果。

有益效果：

本发明的有益效果是，可有效的进行科研项目经费预算，操作简单、预算精度较高，克服了传统预算方法操作过于复杂、预测准确度不理想以及对评估人员要求高等缺陷。具体来说：

1）本发明对项目经费的主要构成进行分析，确定出设计费、直接成本费、管理费以及工资及劳务费是决定科研项目经费的主要科目，并且分析了这些科目与哪些因素密切相关，从而将这些因素确定为影响因素。BP神经网络以影响因素为输入，这样可以采用有限数量的参数实现较为全面的项目描述，从而构建简单、易于实现的神经网络。

2）本发明对影响因素中的定性影响因素进行隶属度赋值，从而实现了定性印象因素的量化。

3）本发明针对项目经费预算，对神经网络中的神经元激活函数、初始权值、学习速率、网络精度进行数字选取，从而保证神经网络尽可能的逼近科研项目经费的输入/输出关系，且尽量缩短收敛时间，提高预测准确度。

附图说明