对于产品开发为而言，其开始阶段需要进行相关的综合分析，这些综合分析包括产品的效能，费用，进度以及风险之间的综合比较，这些都需要前期的费用估算工作为其提供相关的数据以及技术方面的支持，基于此方面的考虑，增加产品多文度费用估算方面的投入也变得日益重要起来。34032
自20世纪60年代以来，以美国以首的欧美发达国家就已经开始了费用估算的相关研究工作，并且已取得许多是非可观的成果。1967年美国兰德公司[1]提出第一种参数模型DAPCA-I(development and procurement cost of aircraft, DAPCA)[2]，随之而来的是在1976年，兰德公司通过对DAPCA-I进一步研究之后，完成了DAPCA-III的研究，在目前为止，该模型仍然算得上是美国估算飞机工程制造和生产费用比较完整的模型之一。论文网
从80年代末期开始，一些关于费用估算的研究文章也相继在我国境内发表，在这些年来不断的研究和发展之后，国内研究机构对于费用估算取得了更加详细的认识，并且基于这些研究取得了一定的进步和成果。总结国内外的研究，现在的估算算法主要包括工程估算法，参数估算法，类比估算法以及专家调查法等[3]。除此之外，随着现代数学统计理论及人工智能技术[4]的发展，许多新型的费用估算模型相继被研究出来，被用于产品费用估算的过程当中。这些新的费用计算方法拥有更加精确的优点，而且估算速度更快，计算过程也更加简洁，但同时对系统统计数据的要求也更为严格，目前具有代表意义的费用估算技术主要体现在神经网络技术[5]、灰色系统理论[6]、统计学习理论[7]等几个理论。其中，神经网络的研究更为广泛，现在已经渗透到各个领域当中，例如自然科学领域以及管理科学领域等，在这些领域里，神经网络都取得了相当明显的研究成果。尤其在费用估算领域，2000年Bode[8]和Jurgen[9]将神经网络用于飞机的成本费用预测，继而Faghri[10]和Ardeshir[11]运用BP神经网络对运输工程中的费用估算，这些都有效的弥补了了传统估算方法中的缺点，其精准性远强于传统的费用估算方法。
对于现有的复杂产品制造业，出于对它们的保密性以及复杂性的考虑，我们能接触到的估算样本是十分有限的，而且即使对于我们手中已经掌握的数据而言，这些数据也是不完善且不准确的。所以，对于一些样本有限的费用估算项目，传统算法已经满足不了我们的研究需求，我们需要一个更加完善的算法来解决此类问题，而灰色系统理论恰恰为此类问题提供了一种解决思路。
国防科技大学系统工程研究所郭继周[12]以及海军航空工程学院机械工程系宋贵宝、彭绍雄[13]等根据装备使用保障费用的灰色特性，构建了GM(1,1)模型及GM(1,1)预测模型[14]，他们的研究表明该方法具有很好的预测精度，可以用于装备寿命周期费用预测和估算。郭雷、唐文哲[15]等人基于灰色系统理论，运用GM(0,h)模型和离散型GM(1,1)模型，建立工程装备的费用预测模型，并通过与多元线性回归方法建模的计算结果进行比较分析，验证了模型的适用性。陈芳等将灰色系统理论与BP神经网络技术进行结合建立了装备保障费用的组合预测模型，通过实例证明与传统单一模型相比有效提高了预测精度。
另外，出于对复杂产品的产品特性及其发展过程中的各种因素考虑，复杂产品的很多结构以及数据信息都不为我们所知，但由于支持向量机在小样本，贫信息，非线性等各方面具有非常优异的支持性，所以对于复杂产品的费用估算的研究还具有特别广阔的发展空间，这让我们的研究工作变得有意义起来。
武涛等[16]将支持向量机理论应用于军用无人机研制费用的预测，并在少样本条件下与BP神经网络、RBF网络和线性回归预测结果比较表明其预测的准确度更高，证明了支持向量机在小样本条件下的适用性。丛岩[17]将主成分分析法和支持向量机相结合对设备费用建立回归估算模型，通过减少费用影响因素的数量来减小非线性数据带来的不确定性，并以实例验证该方法的可行性。 费用估算国内外研究现状:http://www.youerw.com/yanjiu/lunwen_31498.html