基于知識的神經(jīng)網(wǎng)絡(luò)在軟件項(xiàng)目風(fēng)險分析中的研究與應(yīng)用.pdf

1、基于歷史項(xiàng)目的數(shù)據(jù)挖掘是近幾年來軟件項(xiàng)目風(fēng)險分析領(lǐng)域的研究熱點(diǎn)，但目前常用的數(shù)據(jù)挖掘方法難以免受軟件項(xiàng)目級的風(fēng)險分析中存在的樣本量有限和模型復(fù)雜的不利因素的影響并同時提供可理解的決策支持。有鑒于此，本文提出一種改進(jìn)的基于知識的神經(jīng)網(wǎng)絡(luò)——基于驗(yàn)證性因子分析的神經(jīng)網(wǎng)絡(luò)。 基于知識的神經(jīng)網(wǎng)絡(luò)是一種歸納與分析相結(jié)合的學(xué)習(xí)方法，在樣本量有限的條件下也能有較高的泛化精度；基于知識的神經(jīng)網(wǎng)絡(luò)還可以通過規(guī)則抽取揭示神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的知識，從而解

2、決神經(jīng)網(wǎng)絡(luò)的不可解釋性問題。本文提出的基于驗(yàn)證性因子分析的神經(jīng)網(wǎng)絡(luò)繼承了以上優(yōu)點(diǎn)。 傳統(tǒng)的基于知識的神經(jīng)網(wǎng)絡(luò)為了允許歸納學(xué)習(xí)到的內(nèi)容可以超出領(lǐng)域理論提出的依賴關(guān)系而采用全連接結(jié)構(gòu)，網(wǎng)絡(luò)會隨著神經(jīng)元數(shù)目的增加而變得龐大和復(fù)雜。本文提出的基于驗(yàn)證性因子分析的神經(jīng)網(wǎng)絡(luò)改善了以上缺點(diǎn)：由于先驗(yàn)知識經(jīng)過統(tǒng)計(jì)學(xué)方法的檢驗(yàn)和修正，超出領(lǐng)域理論提出的依賴關(guān)系可以在驗(yàn)證性因子分析過程中獲得，網(wǎng)絡(luò)可以采用部分連接結(jié)構(gòu)，從而顯著地降低了復(fù)雜性。

3、 另外，根據(jù)驗(yàn)證性因子分析的結(jié)果和模型本身的特點(diǎn)，本文把神經(jīng)網(wǎng)絡(luò)的權(quán)重和閥值都限定在正區(qū)間；為了使規(guī)則抽取算法具有100％的保真度和與神經(jīng)網(wǎng)絡(luò)一樣的精度，本文使用不可導(dǎo)的階梯函數(shù)作為隱藏神經(jīng)元的激發(fā)函數(shù)。因此，本文采用遺傳算法訓(xùn)練網(wǎng)絡(luò)。同時，本文還設(shè)計(jì)出一種專門針對權(quán)重和閥值都為正數(shù)的、較為高效的啟發(fā)式Subset算法——PosSubset算法——進(jìn)行規(guī)則抽取。 實(shí)驗(yàn)結(jié)果表明，本文提出的基于驗(yàn)證性因子分析的神經(jīng)網(wǎng)絡(luò)可以免受軟件