[發明專利]基于TOPSIS的支持向量機方案評估方法

在審

• 申請號: 201510068225.5
• 申請日: 2015-02-09
• 公開（公告）號: CN104657779A
• 公開（公告）日: 2015-05-27
• 發明（設計）人: 陳秉智;李永華;李金穎
• 申請（專利權）人: 大連交通大學
• 主分類號: G06Q10/00
• 分類號: G06Q10/00
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 李洪福

1.一種基于TOPSIS的支持向量機方案評估方法，其特征在于包括以下步驟：

步驟一：產品研制階段其費用構成有n個單元，聘請m個專家對費用單元進行評估，如表1所示；

表1?專家評估表

步驟二：根據表1，得到TOPSIS方法中的原始數據矩陣為：

V=x11x12...x1j...x1nx21x22...x2j...x2n······...·...·····xi1xi2...xij...xin······...·...·····xm1xm2...xmj...xmn---(1)]]>

步驟三：利用歸一化公式對原始數據矩陣進行歸一化處理，得到無量綱數據或者數值近似數據，歸一化處理后矩陣為：

V′=x11′x12′...x1j′...x1n′x21′x22′...x2j′...x2n′······...·...·····xi1′xi2′...xij′...xin′······...·...·····xm1′xm2′...xmj′...xmn′---(2)]]>

步驟四：選擇最優解與最劣解，根據實際情況選擇最優費用因子；

Z⁺＝{Z_j⁺}＝best{x_i1,x_i2,…,x_in}i＝1,2,…,m.j＝1,2,…,n.?????(3)

Z^-＝{Z_j^-}＝worst{x_i1,x_i2,…,x_in}i＝1,2,…,m.j＝1,2,…,n.??????(4)

步驟五：根據矩陣(2)、最優解和最劣解及貼近度公式得到各個專家的估算值與理想值的貼近度為：

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，d_i⁺——專家估值與最優解之間的差距

d_i^-——專家估值與最劣解之間的差距

C_i值越大表示越接近，C_i的取值范圍為0～1；

步驟六：將貼近度函數(5)作為支持向量機預測的目標函數，利用MATLAB中的LIBSVM工具箱對貼近度進行預測，預測模型為：

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)]]>

步驟七：將m位專家中的一位專家估算方案作為測試集數據，其余m-1位專家的估算方案作為訓練集數據，利用訓練集數據建立回歸預測模型，表示為：

model＝svmtrain(y,x,'-s-t-c')???????(7)

式中，model表示訓練得到的回歸預測模型；svmtrain()表示訓練函數；y表示訓練集真實值；x表示訓練集數據；-s表示支持向量機類型，-t表示核函數類型，-c表示懲罰系數；

步驟八：利用建立的回歸預測模型，檢查訓練集的預測誤差情況，即

[py,mse]＝svmpredict(y,x,model)????????(8)

式中，py表示回歸預測輸出值，mse表示的是交叉檢驗下的均方根誤差值，svmpredict()為回歸預測函數；

根據訓練集回歸預測輸出值和訓練集真實值，利用軟件MATLAB生成擬合圖，通過調整模型參數，達到設定的擬合程度；

步驟九：開始預測，即

[ptesty,tmse]＝svmpredict(testy,testx,model)???????(9)

式中，ptesty為測試集預測值；tmse為測試集在交叉檢驗下的均方根誤差值；testy為測試集真實值；testx為測試集數據；

步驟十：根據預測結果可以得到最優的專家估算方案，設為p號專家估算方案，再根據p號專家估算值，計算研制階段的費用。

C＝x_p1+x_p2+…+x_pn,1≤p≤m.????????(10)

2.根據權利要求1所述的基于TOPSIS的支持向量機方案評估方法，其特征在于，所述步驟七中支持向量機類型包括二分類支持向量機C-SVC、多分類支持向量機nu-SVC和回歸預測支持向量機epsilon-SVR；核函數包括線性核函數、多項式核函數、徑向基核函數(RBF)、sigmoid核。