中国核电工程有限公司 北京 100840
摘要：针对核电设备进度风险的评价问题，采用支持向量机进行了建模并应用交叉验证法对模型的参数进行寻优，利用分类功能实现对进度风险的评价，并将预测结果与实际情况进行了对比，结果证明其可以作为项目管理者评价进度风险有效的辅助工具。
关键词：核电设备；进度风险；支持向量机；交叉验证法
支持向量机(Support Vector Machine)是Cortes和Vapnik[1]于1995年首先提出的。本文建立了核电设备进度风险支持向量机模型并应用交叉验证法对模型的参数进行寻优，通过少量样本的训练利用分类功能实现对核电设备进度风险的评价，最终将预测结果与实际情况进行对比以验证模型的准确性。
1 支持向量机的原理及算法
1.1 经验风险最小化与结构风险最小化
机器学习问题可以表示为：输入变量 与输出变量 存在某种依赖关系，即遵循一个未知的联合概率 ，机器学习根据 个独立同分布观测样本
预测结果表明由5个小样本空间构成的分类超平面，对检验样本的分类准确率达到88.9%，其中仅有5号检验样本的预测结果与实际标签出现偏差。
因此支持向量分类机可以作为一种评价进度风险有效的辅助方法。
4 总结
利用支持向量分类机建立的风险评价模型对设备进度风险等级的分类预测有较高的准确率，其可以作为项目管理者评价设备进度风险有效的辅助工具。
参考文献
[1]VAPNIK V N．The Nature of Statiscal Learning Theory [M]．New York：Springer-Verlag，1995.
[2]Keerthi K, Lin C J. Asymptotic behaviors of support vector machines with Gaussian kernel[J]. Neural Computation, 2003, 153(3)： 1667-1689．
论文作者:陈文,胡云鹏
论文发表刊物:《建筑学研究前沿》2018年第10期
论文发表时间:2018/9/4
标签：风险论文; 向量论文; 进度论文; 核电论文; 评价论文; 样本论文; 设备论文; 《建筑学研究前沿》2018年第10期论文;