基于支持向量機的層次分析評價例

王中立 吳靚雯

摘要：本文旨在探討如何使用工程經濟學知識來解決建設工程帶來的新環境問題。工程經濟學本質上要求對經濟活動的物質代謝循環和資源價值流動進行統一管理。但隨著傳統建筑業的重要生產資料如水泥、瀝青等原材料在生產使用的全過程中存在著嚴重污染大氣環境的問題，傳統工程經濟學評價指標必須做出修正。本文利用層次分析法（AHP）評定工程材料全壽命環境影響因子，利用支持向量機神經網絡算法（sVM）判斷權重，計入考察工程項目可行性的評價指標。提出一種判斷項目可行性的方法。

關鍵詞：AHP 支持向量機 動態評價指標 可行性評價

一、工程項目可行性評價現狀

可行性研究作為建設項目前期進行重要決定的工作，是科學決策的重要環節和工程項目管理的關鍵，由此，項目可行性研究在經濟建設中發揮著不可替代的作用。

二、支持向量機（SVM）神經網絡模型

（一）定義

由Vapnik首先提出的支持向量機（support vector machIRe）是一種通用前饋型神經網絡，由于其堅實的理論基礎和良好的泛化性能，sVM已成為最流行的分類算法之一，廣泛用于故障診斷、醫療診斷等領域。算法思想是要建立一個最優分類超平面（optimal hyperplane）并使得該平面兩側距離平面最近的兩類樣本之間的距離最大化。支持向量機具有很多優點，比如：魯棒性、通用性、計算簡單、有效性、理論完善。

（三）環境權重計算

在Matlab中利用svmtrain（）函數可以一次性實現神經網絡的創建、訓練，利用函數進行網絡測試。最后使用spss對輸出數據進行整理，設置好網絡參數后，輸入以搜集工程評價體系的環境參數（共90組數據），即可運行程序，得到實驗結果。

為了保障實驗的準確性，抽取實驗數據的98.9%進行重復測試，得到的準確率如下：

檢驗數據的正確率達到了100%，這說明向量機通過大量數據學習，對環境因子判斷足夠精確，如能推進支持向量機的深度學習能大大減少噪聲，避免由于不平衡數據導致的模型失真現象，提高模型的準確性。

三、基于SVM的層次分析模型的建立

（一）構造判斷矩陣

判斷矩陣是從定性過渡到定量的重要環節，是通過兩兩比較得出的。相對重要性的量化很難精確，層次分析法通常采用1～9標度法，即用自然數1～9及其倒數來表示。

四、結論

通過傳統的專家打分法得到工程材料全壽命環境影響因子的權重，具有較大的主觀性。本文創新性地提出了支持向量機神經網絡算法（svM）結合層次分析法（AHP）的新綜合評價方法。向量機通過大量數據學習，對環境因子判斷更為精確，進一步確定各個影響因子的權重，并通過一致性檢驗。該方法優化了傳統工程經濟的層次分析法評價體系，提高了層次分析法在傳統工程經濟中的實用性與科學性。