C#小样本条件下复杂产品费用估算方法研究与实现(3)
第二章相关技术和概念，介绍了支持向量机的基本原理和算法，还包括费用估算下数据的处理方法。重点阐述了支持向量回归算法在费用估算方面的优势及应用。最后将实现算法集成及系统的开发技术和工具做了简要说明。
第三章基于SVR的费用预测算法的设计，对复杂产品费用估算系统的费用估算功能模块进行了分析，对系统的总体操作流程进行了阐述，构建相应的实现模型和算法流程，详细讲述了系统集成的需求分析、架构设计、数据库设计、类与函数设计和核心算法。
第四章SVR算法和神经网络算法与实际应用项目的集成实现，详细讲述了系统体系架构和开发平台、主要的数据结构、关键性代码、界面展示。
第五章总结和展望，总结了本文的创新和不足，并展望了下一步的研究方向和改善思路。
2 相关技术和概念
2.1 传统费用估算算法
目前对复杂产品进行费用估算的基本方法常见的主要有参数估算法、工程估算法、专家调查法、类比估算法等。以下主要介绍几种传统费用估算算法：
参数估算法是根据已经获取到的同类系统费用的多个历史数据，进行分析然后选取对费用结果影响最大的物理和性能参数，制定出系统适当参数以及各项子系统费用之间的函数关系式，从而估算总体和局部费用的费用估计值；工程估算法是根据项目系统的组成，将其分解成各个子系统，按照各个组成部分或者分系统费用相累计的原则，逐级累加来估算系统整体的费用，步骤简单但是运用范围较小，耗费时间金钱。若已定项目方案，此方法具有较高的估算精度；专家调查法主要是从相关领域专家的索取到信息。这是因为有些大型而又复杂的产品系统缺乏历史资料，这点在新型产品系统特征上尤其明显，就需要利用专家的经验和其所掌握的对装备和费用[9]估算的知识，然后对待估算系统的技术状态、研制、生产及使用保障情况进行评定，从而估算出费用。但是该方法受到专家经验的多少和判断的准备程度的限制，费用的精确程度会受到很大的影响，因此此方法适用于对费用单元做粗略估算的装备论证阶段和方案阶段；类比估算法即是以已有装备系统费用数据和资料为标准，对已有的在功能以及物理特性和性能特性上相似的系统做比较，其中作比较的可以是简单装备，也可以是系统的组合，还要考虑到新系统技术状态是否有差异，价格因子需要进行相应修正，进而估算出系统费用。
近年来人工智能技术和现代数学统计理论发展迅速，于是出现了几种新的研究产品寿命周期费用估算算法的研究。其值相对于传统算法更为准确，而且在计算上面也比较简单，目前应用较多的费用估算技术主要有灰色系统理论、统计回归分析法、神经网络技术、统计学习理论等。
灰色系统是指部分信息明确，部分不明确的系统，对这类系统进行建模、预测和评估、决策等问题，则就要用到灰色系统理论。比如一般的社会经济系统，其输出的时间序列是明确的，大多是总支出、总收入类，而其输入数据列不明确或者缺乏，很难建立完整的确定的模型。灰色系统理论可以用来估算样本数据很少的情况，但样本排列的顺序对估算结果的准确性有一定影响，也就是说如果样本数据的差距比较大的话，得到的估算差别也会很大，对于价格受到诸多特殊因素影响的复杂产品来说，这种方法用于其费用估算是不太适合的。
统计回归分析法主要是通过对大量的历史费用数据样本进行回归分析，确定样本中各个属性参数对费用的影响程度，根据不同的影响程度可构造回归方程来估算新产品的费用。它的优点是计算简单、自变量和因变量关系都比较清楚，但缺点是很难用作处理非线性费用问题。这就不适用于复杂产品的费用估算，往往是一个非线性问题并涉及到许多费用影响因素。
上一篇：面向B2C平台的潜在客户识别研究