基于知識的神經網絡在軟件項目風險分析中的研究與應用.pdf

1、基于歷史項目的數據挖掘是近幾年來軟件項目風險分析領域的研究熱點，但目前常用的數據挖掘方法難以免受軟件項目級的風險分析中存在的樣本量有限和模型復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，本文提出一種改進的基于知識的神經網絡——基于驗證性因子分析的神經網絡。 基于知識的神經網絡是一種歸納與分析相結合的學習方法，在樣本量有限的條件下也能有較高的泛化精度；基于知識的神經網絡還可以通過規(guī)則抽取揭示神經網絡學習到的知識，從而解

2、決神經網絡的不可解釋性問題。本文提出的基于驗證性因子分析的神經網絡繼承了以上優(yōu)點。 傳統(tǒng)的基于知識的神經網絡為了允許歸納學習到的內容可以超出領域理論提出的依賴關系而采用全連接結構，網絡會隨著神經元數目的增加而變得龐大和復雜。本文提出的基于驗證性因子分析的神經網絡改善了以上缺點：由于先驗知識經過統(tǒng)計學方法的檢驗和修正，超出領域理論提出的依賴關系可以在驗證性因子分析過程中獲得，網絡可以采用部分連接結構，從而顯著地降低了復雜性。

3、 另外，根據驗證性因子分析的結果和模型本身的特點，本文把神經網絡的權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％的保真度和與神經網絡一樣的精度，本文使用不可導的階梯函數作為隱藏神經元的激發(fā)函數。因此，本文采用遺傳算法訓練網絡。同時，本文還設計出一種專門針對權重和閥值都為正數的、較為高效的啟發(fā)式Subset算法——PosSubset算法——進行規(guī)則抽取。 實驗結果表明，本文提出的基于驗證性因子分析的神經網絡可以免受軟件