一种新的软件项目风险智能评价方法

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (35): 8-10.

一种新的软件项目风险智能评价方法

王巍¹,赵国杰¹,李强²

1.天津大学管理学院，天津 300072
2.天津大学机械工程学院，天津 300072

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-12-11 发布日期:2007-12-11
通讯作者: 王巍

Novel intelligent method of software project risk assessment

WANG Wei¹,ZHAO Guo-jie¹,LI Qiang²

1.School of Management，Tianjin University，Tianjin 300072，China
2.School of Mechanical Engineering，Tianjin University，Tianjin 300072，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-12-11 Published:2007-12-11
Contact: WANG Wei

摘要/Abstract

摘要： 为了克服在无先验知识的情况下，人为选择评价指标的盲目性和确定指标权重的主观性，提出一种基于特征评判与最小二乘支持向量机的软件项目风险智能评价方法。该方法对各传统软件风险评价指标进行特征评判，并根据评判因子的大小选取敏感指标作为支持向量机的输入，实现对不同风险状态的自动识别。实证结果表明，该方法具有很强的鲁棒性，能够从大量的软件项目风险评价指标中筛选出有效的敏感特征，准确评价软件项目风险。

关键词: 特征评判, 最小二乘支持向量机, 软件项目, 风险评价

Abstract: Aiming at overcoming the blindness and subjectivity of selecting indicators and confirming indicators’ weight without any experience，an intelligent method of software project risk assessment based on feature evaluation and least squares support vector machine is proposed.By estimating the capacity of each traditional indicator in evaluating software project risk，the sensitive features can be selected and input into support vector machine to identify different conditions of project risk automatically.The results of the demonstration show that the method can enhance the system’s robustness，and select sensitive ones from a large number of software project risk-rating indicators to assess software project risk more correctly.

Key words: feature evaluation, least squares support vector machine, software project, risk assessment

王巍¹,赵国杰¹,李强². 一种新的软件项目风险智能评价方法[J]. 计算机工程与应用, 2007, 43(35): 8-10.

WANG Wei¹,ZHAO Guo-jie¹,LI Qiang². Novel intelligent method of software project risk assessment[J]. Computer Engineering and Applications, 2007, 43(35): 8-10.

[1]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[2]	王盛，杨信丰. 基于EEMD-GWO-LSSVM的公共交通短期客流预测[J]. 计算机工程与应用, 2019, 55(20): 216-221.
[3]	陆文星，李楚. 改进PSO算法优化LSSVM模型的短期客流量预测[J]. 计算机工程与应用, 2019, 55(18): 247-255.
[4]	邓辉，罗倩，王岩. 基于IMF能量矩和Bayes-LSSVM的滚动轴承诊断[J]. 计算机工程与应用, 2019, 55(17): 156-161.
[5]	贾松达1，庞宇松1，2，阎高伟1. 多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用, 2018, 54(3): 233-237.
[6]	周水生，王保军，安亚利. 基于LS-SVM方法求高阶线性ODE近似解[J]. 计算机工程与应用, 2018, 54(23): 51-56.
[7]	李越1，2，范玉刚1，2，黄国勇1，2. MRSVD敏感分量在单频周跳探测修复中的应用[J]. 计算机工程与应用, 2017, 53(7): 220-224.
[8]	张文兴，陈肖洁. 基于核极化的特征选择在LSSVM的应用[J]. 计算机工程与应用, 2017, 53(19): 164-167.
[9]	晁拴社1，楚恒1，2. 基于同质性降维和CMP算法的高光谱图像分类[J]. 计算机工程与应用, 2017, 53(13): 206-210.
[10]	殷荣网. 基于FCM-LSSVM网络流量预测模型[J]. 计算机工程与应用, 2016, 52(1): 105-109.
[11]	曹　　净，李文云，赵党书，宋志刚，丁文云. 基于PSO-LSSVM模型的基坑周边建筑倾斜预测[J]. 计算机工程与应用, 2016, 52(1): 254-259.
[12]	刘玉琳1，2，陈文亮2，鲍益东2，丁力平2. 基于改进支持向量机的快速稳健代理模型研究[J]. 计算机工程与应用, 2015, 51(7): 7-11.
[13]	周金明，王传玉，何帮强. 基于混合核函数FOA-LSSVM的预测模型[J]. 计算机工程与应用, 2015, 51(4): 133-137.
[14]	徐志军1，旷欢2，王如龙2，华保健1. 改进的LS-SVM方法在EMD端点效应问题中的应用[J]. 计算机工程与应用, 2015, 51(3): 222-228.
[15]	陈鸿星. 基于ELM-LSSVM的网络流量预测[J]. 计算机工程与应用, 2015, 51(24): 73-77.