基于BP神經(jīng)網(wǎng)絡的管道投資風險評價模型研究

鐘 仕 林

(四川蜀渝石油建筑安裝工程有限責任公司，四川 成都 610017)

基于BP神經(jīng)網(wǎng)絡的管道投資風險評價模型研究

鐘 仕 林

(四川蜀渝石油建筑安裝工程有限責任公司，四川 成都 610017)

在分析油氣管道項目風險因素的基礎上，建立了油氣管道投資項目風險評估指標體系，并對層次分析法進行了改進，利用改進的模糊層次分析法確定了風險指標權重，建立了風險等級評語集，定量評估了項目風險。

油氣管道，投資風險，BP神經(jīng)網(wǎng)絡，模糊綜合評價

0 引言

由于長距離管道運輸業(yè)有良好的發(fā)展前景，使管道建設領域存在投資過熱、決策失誤、重復建設、資源浪費、效益不明顯等現(xiàn)象。鑒于管道項目的快速發(fā)展勢頭，項目前期投資決策的重要性和我國管道投資建設的現(xiàn)狀，對管道項目投資風險加以識別、分析和控制己成為一項迫切的任務。

基于改進AHP法的油氣管道項目投資風險模糊綜合評價模型[1]，缺乏自學習能力，不具備利用新增信息自動調(diào)整權重分配的功能。當模型中增加新的樣本數(shù)據(jù)時，不具備利用原有知識和新增樣本數(shù)據(jù)對權重進行調(diào)整的功能。使用人工神經(jīng)網(wǎng)絡方法可以很好地解決上述問題。

1 人工神經(jīng)網(wǎng)絡理論概述

人工神經(jīng)網(wǎng)絡(Artificial Neural Network-ANN)是一門嶄新的信息處理科學。1943年，W.S.Moculloch首次提出神經(jīng)元模型，至今，人們對人工神經(jīng)網(wǎng)絡進行了廣泛的研究，取得了大量的研究成果。

由于人工神經(jīng)網(wǎng)絡具有很大的優(yōu)勢，在項目風險管理中得到了廣泛的應用。人工神經(jīng)網(wǎng)絡模型眾多，在這些模型中，應用最為廣泛的當屬BP神經(jīng)網(wǎng)絡模型，因此本文采用BP神經(jīng)網(wǎng)絡進行風險評價。

2 BP神經(jīng)網(wǎng)絡基本原理

BP(Back Propagation)[2,3]網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄟM行訓練的多層前饋網(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和減小，直到網(wǎng)絡的訓練誤差達到目標精度。

3 BP神經(jīng)網(wǎng)絡風險評價模型

本文建立基于BP神經(jīng)網(wǎng)絡的油氣管道項目投資風險評價模型，需要解決以幾個方面的問題：

1)樣本數(shù)據(jù)問題。

BP網(wǎng)絡獲得非線性處理能力須通過網(wǎng)絡的自學習過程，如何取得高質(zhì)量的評價數(shù)據(jù)是難點。

2)網(wǎng)絡結構的設計問題。

網(wǎng)絡層數(shù)，各層單元數(shù)的選取。

3)訓練函數(shù)的選擇問題。

學習收斂速度太慢，即使比較簡單的問題，有時也需幾百次甚至上千次的學習才能收斂，選用訓練函數(shù)就很關鍵。

3.1 獲取網(wǎng)絡訓練樣本

盡管BP神經(jīng)網(wǎng)絡具有復雜的非線性處理能力，但是要獲得這種的能力必須通過BP神經(jīng)網(wǎng)絡的自學習過程來實現(xiàn)。如何取得高質(zhì)量的分布均勻的評價樣本數(shù)據(jù)是建立BP神經(jīng)網(wǎng)絡的難點，而采用基于改進AHP的模糊綜合評價模型可以很好的解決這個問題。

首先采用油氣管道項目投資風險評價指標體系，利用基于改進AHP的模糊綜合評價模型，通過專家訪問，問卷調(diào)查等方式對一些具有代表性的項目進行評價，取得8個樣本。

3.2 BP網(wǎng)絡結構設計

大量研究表明：確定合理的網(wǎng)絡結構(網(wǎng)絡的輸入層、隱含層、輸出層層數(shù)及各層單元個數(shù))，是成功應用BP神經(jīng)網(wǎng)絡模型的關鍵。因此本文對BP神經(jīng)網(wǎng)絡結構進行詳細分析。

1)確定網(wǎng)絡的層數(shù)。

G.Cybenyo等人已經(jīng)證明，具有一個隱含層的神經(jīng)網(wǎng)絡能夠以任意精度表示任何連續(xù)函數(shù)。因此，本文建立的網(wǎng)絡模型包含一個隱含層，網(wǎng)絡結構即為典型的3層BP神經(jīng)網(wǎng)絡。

2)確定網(wǎng)絡輸入層、輸出層單元數(shù)。

輸入層單元個數(shù)與建立的油氣管道項目投資風險評價指標的個數(shù)對應，根據(jù)油氣管道項目投資風險評價指標體系[1]，指標層總共包含32個風險因素，因此，網(wǎng)絡輸入層單元個數(shù)為32個。輸出層單元個數(shù)與模糊綜合評價結果對應，5.3.5中模糊綜合評價結果H1×5中包含5個數(shù)據(jù)，因此輸出層單元數(shù)為5個。

3)確定網(wǎng)絡隱含層單元數(shù)。

迄今為止，隱含層單元數(shù)的選擇仍然是一個非常復雜的問題，要精確計算隱含層所需要的神經(jīng)元個數(shù)，目前在理論上還沒有完全解決這個問題。隱含層單元數(shù)與輸入層、輸出層單元個數(shù)有關系。實際應用中，通常是參考下面兩個經(jīng)驗公式確定隱含層單元數(shù)[4,5]。

(1)

(2)

式中：m——輸出神經(jīng)元個數(shù)；n——輸入神經(jīng)元個數(shù)；a——1～10間的常數(shù)。

本文將設計不同隱含層單元數(shù)的網(wǎng)絡進行對比訓練，最后選取性能最好時的隱含層單元個數(shù)來構建BP神經(jīng)網(wǎng)絡結構，建立油氣管道項目投資風險評價模型。

設網(wǎng)絡誤差目標精度為1e-5，采用Levenberg-Marquardt優(yōu)化算法對網(wǎng)絡進行訓練，網(wǎng)絡整體誤差小于目標精度時，網(wǎng)絡停止訓練。經(jīng)過比較分析，可得出以下結論：

a.隨著隱含層節(jié)點個數(shù)的增加，網(wǎng)絡訓練的次數(shù)逐漸減少，

當隱含層節(jié)點個數(shù)增加到10以上時，訓練次數(shù)趨于穩(wěn)定；

b.當隱含層節(jié)點數(shù)增加時，網(wǎng)絡訓練時間逐漸延長，尤其當節(jié)點個數(shù)超過60時；

c.當隱含層節(jié)點個數(shù)為10～15個時，網(wǎng)絡性能最好，因此本文選擇32×10×5的網(wǎng)絡結構。

3.3 訓練函數(shù)的選擇

選擇32×10×5的網(wǎng)絡結構，設定最大訓練次數(shù)epochs=100 000，精度要求goal=1.0e-4，對比分析各種訓練方法的優(yōu)劣，如表1所示。

表1 選用不同訓練函數(shù)時參數(shù)變化情況

由表1可得，選用trainlm進行訓練時，網(wǎng)絡所需的時間和迭代次數(shù)最優(yōu)。

3.4 模型訓練和仿真

經(jīng)過比較分析，選用32×10×5網(wǎng)絡結構，選用trainlm函數(shù)對網(wǎng)絡進行訓練，針對油氣管道項目投資風險評價的問題，在確定了網(wǎng)絡的結構之后，將樣本1～6作為訓練樣本訓練網(wǎng)絡，用樣本7，8作為檢驗樣本對網(wǎng)絡進行檢測。樣本檢測結果與專家評價結果誤差很小，滿足目標精度要求。

4 結語

本文采用改進的AHP法，利用建立起油氣管道項目投資風險模糊綜合評價模型。利用神經(jīng)網(wǎng)絡的優(yōu)點，建立起B(yǎng)P神經(jīng)網(wǎng)絡風險評價模型。本模型主要針對網(wǎng)絡層數(shù)，隱含層節(jié)點數(shù)，網(wǎng)絡訓練函數(shù)三個參數(shù)的選擇進行研究，經(jīng)過實驗對比分析，建立了32×10×5的3層BP網(wǎng)絡結構，采用trainlm函數(shù)，對網(wǎng)絡進行訓練和檢測，得到了滿意的結論。

[1] 鐘仕林，張 鵬.油氣管道風險指標體系及模糊綜合評價模型[J].山西建筑，2008，34(36)：236-237.

[2] 葛哲學，孫志強.神經(jīng)網(wǎng)絡理論與MATLABR2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007：4-5.

[3] 樓天順，施 陽.基于MATLAB系統(tǒng)分析與設計[M].西安：西安電子科技大學出版社，1999：9-10.

[4] 陳立文.項目投資風險分析理論與方法[M].北京：機械工業(yè)出版社，2004：172.

[5] 飛思科技產(chǎn)品研發(fā)中心.神經(jīng)網(wǎng)絡理論與MATLAB2007實現(xiàn)[M].北京：電子工業(yè)出版社，2005：103.

Risk assessment model of pipeline investment based on BP neural network

Zhong Shilin

(SichuanShuyuPetroleumConstruction&InstallationEngineeringCo.,Ltd,Chengdu610017,China)

On the basis of analyzing oil-gas pipeline project risk factors, the thesis establishes oil-gas pipeline investment project risk evaluation index system, improves analytical hierarchy process, determines risk index weight through applying improved fuzzy comprehensive hierarchy analysis method, establishes risk grade evaluating group, and quantitatively evaluates the project risks.

oil-gas pipeline, investment risk, BP neural network, fuzzy comprehensive evaluation

1009-6825(2017)02-0251-02

2016-11-02

鐘仕林(1983- )，男，碩士，工程師

TU712

A