[发明专利]基于TOPSIS的支持向量机方案评估方法

摘要

一种基于TOPSIS的支持向量机方案评估方法，包括确定方案所涉及的费用因子，根据选定的费用因子聘请专家对其进行评估，形成判断矩阵；对原始数据进行归一化处理；根据所选取的费用因子的固有本质,从规范矩阵中选取其理想解和负理想解；求出各方案到理想解与负理想解的距离；将贴近度转化为方案属性值和正、负理想解的函数；将支持向量机方法与TOPSIS方法结合并利用软件MATLAB对方案进行评估，运用支持向量机处理获取的客观信息，利用TOPSIS的贴近度函数作为目标函数，建立回归预测模型；建立测试集并进行回归预测；根据预测结果对专家评估的方案优劣进行排序，求得最优估算方案的费用总和估值。本发明的方法是目前国内外针对费用估算方案评估的前沿方法。

主权项

一种基于TOPSIS的支持向量机方案评估方法，其特征在于包括以下步骤：步骤一：产品研制阶段其费用构成有n个单元，聘请m个专家对费用单元进行评估，如表1所示；表1 专家评估表步骤二：根据表1，得到TOPSIS方法中的原始数据矩阵为：V=x11x12...x1j...x1nx21x22...x2j...x2n······...·...·····xi1xi2...xij...xin······...·...·····xm1xm2...xmj...xmn---(1)]]>步骤三：利用归一化公式对原始数据矩阵进行归一化处理，得到无量纲数据或者数值近似数据，归一化处理后矩阵为：V′=x11′x12′...x1j′...x1n′x21′x22′...x2j′...x2n′······...·...·····xi1′xi2′...xij′...xin′······...·...·····xm1′xm2′...xmj′...xmn′---(2)]]>步骤四：选择最优解与最劣解，根据实际情况选择最优费用因子；Z+＝{Zj+}＝best{xi1,xi2,…,xin}i＝1,2,…,m.j＝1,2,…,n.     (3)Z‑＝{Zj‑}＝worst{xi1,xi2,…,xin}i＝1,2,…,m.j＝1,2,…,n.      (4)步骤五：根据矩阵(2)、最优解和最劣解及贴近度公式得到各个专家的估算值与理想值的贴近度为：Ci=di-di-+di+=Σj=1n(xij′-Zj-)2Σj=1n(xij′-Zj-)2+Σj=1n(xij′-Zj+)2i=1,2,...,m.j=1,2,...,n.---(5)]]>式中，di+——专家估值与最优解之间的差距di‑——专家估值与最劣解之间的差距Ci值越大表示越接近，Ci的取值范围为0～1；步骤六：将贴近度函数(5)作为支持向量机预测的目标函数，利用MATLAB中的LIBSVM工具箱对贴近度进行预测，预测模型为：y(xij′,Zj+,Zj-)=max[C1,C2,...,Cm]T]]>s.t.Ci=Σj=1n(xij′-Zj-)2Σj=1n(xij′-Zj+)2+Σj=1n(xij′-Zj-)20<Ci<1---(6)]]>步骤七：将m位专家中的一位专家估算方案作为测试集数据，其余m‑1位专家的估算方案作为训练集数据，利用训练集数据建立回归预测模型，表示为：model＝svmtrain(y,x,'‑s‑t‑c')       (7)式中，model表示训练得到的回归预测模型；svmtrain()表示训练函数；y表示训练集真实值；x表示训练集数据；‑s表示支持向量机类型，‑t表示核函数类型，‑c表示惩罚系数；步骤八：利用建立的回归预测模型，检查训练集的预测误差情况，即[py,mse]＝svmpredict(y,x,model)        (8)式中，py表示回归预测输出值，mse表示的是交叉检验下的均方根误差值，svmpredict()为回归预测函数；根据训练集回归预测输出值和训练集真实值，利用软件MATLAB生成拟合图，通过调整模型参数，达到设定的拟合程度；步骤九：开始预测，即[ptesty,tmse]＝svmpredict(testy,testx,model)       (9)式中，ptesty为测试集预测值；tmse为测试集在交叉检验下的均方根误差值；testy为测试集真实值；testx为测试集数据；步骤十：根据预测结果可以得到最优的专家估算方案，设为p号专家估算方案，再根据p号专家估算值，计算研制阶段的费用。C＝xp1+xp2+…+xpn,1≤p≤m.        (10)