基于并行BP神经网络算法的软件项目风险评估

摘要

BP(Back Propagation)神经网络现已广泛应用在预测、识别、自动控制、诊断、分类、非线性逼近等领域，是目前人工神经网络算法中应用最广泛的训练算法之一，但是该算法在也存在一些不容忽视的缺陷，收敛速度慢、容易陷入极小值以及在训练样本很大时训练整体速度慢等，这些缺陷影响着BP算法的进一步推广和应用。
　　软件项目是一个庞大的系统工程，即使经过周密的计划，适当的控制也难以保证项目达到预期的目标，因此，软件项目风险在项目实践中越来越得到大家的重视，风险管理的成功在很大程度上决定了软件项目的成功。而风险评估作为风险管理的重要组成部分，对于风险管理有着至关重要的作用。
　　基于以上问题，本文首先，深入研究BP神经网络算法，并将BP神经网络算法并行化，不仅提高了整体的训练速度，而且提高了训练的精度。其次，综合分析软件项目开发中各种不确定因素，为提高软件项目开发成功率，保证项目质量，建立了一个科学可行的软件项目风险评估模型。最后，将并行的BP神经网络算法应用于该软件项目风险评估模型中，结合MPI并行编程库和C语言编程验证了该训练模型的有效性，通过训练结果分析与当前常用的风险评估方法对比，体现出改模型的优越性和重大的现实意义。

目录

封面

中文摘要

英文摘要

目录

插图和附表清单

1 引言

1.1 研究背景及意义

1.2 国内外研究概况

1.3 存在的问题

1.4 研究的主要内容和实现目标

1.5 可能的创新点

1.6 论文结构

1.7 小结

2 BP神经网络算法

2.1 BP神经网络结构

2.2 BP神经网络算法概念

2.3 BP神经网络结构及参数选取规则

2.4 BP神经网络算法存在的问题

2.5 BP神经网络算法改进综述

2.6 BP神经网络算法并行化策略

2.7 小结

3 软件项目风险相关理论

3.1 软件项目风险

3.2 软件项目风险管理

3.3 软件项目风险评估

3.4 小结

4 基于BP并行算法的软件项目风险指标体系的设计

4.1 软件项目风险影响因素

4.2 软件项目风险评估指标体系的建立

4.3 BP网络模型的建立

4.4 BP并行训练的策略

4.5 小结

5 实例验证和分析

5.1 实例样本的选取

5.2 训练模型实现

5.3 实验结果分析

5.4 实验存在的问题和不足

5.5 小结

6 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

作 者 简 介