C#小样本条件下复杂产品费用估算方法研究与实现(2)
3.2.3 复杂产品费用估算数据处理方法 11
3.2.4 实例验证 11
3.3 系统设计 14
3.3.1 架构设计 14
3.3.2 数据库设计 14
3.3.3 类与函数设计 17
4 基于SVR的费用估算算法的具体实现 19
4.1 开发环境与运行平台 19
4.2 系统关键代码 20
4.2.1 SVR训练 20
4.2.2 SVR预测 21
4.2.3保存SVR训练模型 23
4.2.4 历史数据样本的文护（以添加数据为例） 23
4.2.5 神经网络模型的保存（以保存w三文数组为例） 24
4.3 用户界面的展现 25
结 论 30
致 谢 32
参考文献33
1 绪论
1.1 问题研究背景
随着社会经济的发展，制造类及大型并行工程等先进生产技术的广泛应用，产品的结构功能和制造工艺水平越来越复杂，因此产品在研制、使用以及文修方面的费用随着其复杂性不断增加。在工业化程度飞速发展的今天，国内对复杂产品的需求度有所提高，于是许多企业开始考虑如何在庞大的复杂产品需求和有限的费用预算之间进行权衡，开始提出一系列与复杂产品费用估算管理有关的理论和方法，并将其应用于实际项目中。要使费用估算结果更为准确，要考虑复杂产品本身的属性参数以及研发过程中许多不确定因素为估算准确度的影响。因此，这些方面的研究是企业作出经济且满足需求的产品采办决策的重心。
目前，针对国内外常用的一般传统方法有四种：参数估算法、工程估算法、类推估算法和专家判断估算法。这些早期的费用估算算法有其各自的优势，但也各自存在一些不足。灰色系统方法是后来被讨论得多的方法、还有模糊综合评价方法、人工神经网络方法。这些理论的实际应用取得了不错的效果。BP神经网络预测模型是用的较多的模型。传统的BP神经网络算法有一些缺点，比如易陷入最小值。但是全局信息搜索能力较强的遗传算法是可以被利用来给BP神经网络连接权优化，克服先前不足，使基于BP神经网络的成本估算模型预测性能、预测精度和泛化能力得到有效改进。另一个问题是上面提及的很多费用估算算法需要大量的样本来保证其准确性，数据和信息在现实生活中是很缺乏的，因此这些算法并不能反映整个费用样本数据空间的分布。随着小样本成本估算模型的发展，建立适合于小样本情况下的复杂产品估算模型是非常重要的。
支持向量回归机在近年来取得了突破性的进展，不仅是理论上，更有算法实现方面。之所以现如今广泛地研究和应用支持向量机，是因为由于其有完善的理论基础，并且有良好的特性。本文着重研究小样本条件下的复杂产品费用估算算法，学习掌握基于支持向量回归机（Support Vector Regression,SVR）的费用估算算法，并实现于系统中。
1.2 国内外研究现状
1.2.1 费用估算算法研究现状
1.2.2 支持向量回归机（SVR）的国内外发展现状
1.3 本文主要内容与组织结构
本文主要对支持向量机回归算法进行了研究，针对传统费用估算方法等存在的不足，根据实际需求对小样本条件下的费用预测方法进行研究和改进。实现基于SVR的小样本条件下费用估算问题，并将其集成到相应的复杂产品费用估算系统。本文一共分为五章，主要章节安排如下：
第一章绪论，介绍了论文的研究背景和研究其的必要性。介绍了国内外小样本条件下复杂产品费用估算算法的应用及发展现状，突出支持回归向量机的应用，并给出本文的主要研究思路和工作结构安排。
上一篇：面向B2C平台的潜在客户识别研究