本發(fā)明涉及一種新型的項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型，該模型在傳統(tǒng)的基于AHP法設(shè)置權(quán)重的三級(jí)評(píng)估指標(biāo)模型基礎(chǔ)上，從第三級(jí)指標(biāo)以下擴(kuò)展了神經(jīng)網(wǎng)絡(luò)層、量化調(diào)整層、填寫層等三類復(fù)合型結(jié)構(gòu)。填寫層、量化調(diào)整層能將項(xiàng)目方填報(bào)的信息導(dǎo)入并進(jìn)行初級(jí)組合量化，形成神經(jīng)網(wǎng)絡(luò)層的輸入向量，再經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)層的二次量化計(jì)算，形成傳統(tǒng)風(fēng)險(xiǎn)評(píng)估模型的第三級(jí)指標(biāo)輸入值，最后，經(jīng)過(guò)傳統(tǒng)三級(jí)指標(biāo)、權(quán)重可獲得項(xiàng)目的最終風(fēng)險(xiǎn)評(píng)級(jí)結(jié)果。神經(jīng)網(wǎng)絡(luò)層在經(jīng)過(guò)一定數(shù)據(jù)訓(xùn)練后，一定程度上能夠取代專業(yè)評(píng)估人員對(duì)第三級(jí)指標(biāo)的主觀打分過(guò)程，形成人工智能評(píng)估。同時(shí)，這一模型在填寫層之上引入量化調(diào)整層后，項(xiàng)目填寫方只需按照引導(dǎo)輸入各單元化的基本信息，再由隱含的量化調(diào)整層進(jìn)行統(tǒng)計(jì)和組合后，成為神經(jīng)網(wǎng)絡(luò)所須的量化輸入，能避免項(xiàng)目填報(bào)方在直接接觸到評(píng)估指標(biāo)內(nèi)容后，有意識(shí)地虛報(bào)、夸大等情況，從而增加評(píng)估結(jié)果的真實(shí)性。

背景技術(shù)：

對(duì)投資項(xiàng)目風(fēng)險(xiǎn)的有效控制一般是通過(guò)建立相應(yīng)的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)體系，再結(jié)合相應(yīng)的風(fēng)險(xiǎn)評(píng)估模型進(jìn)行綜合分析，評(píng)估項(xiàng)目風(fēng)險(xiǎn)的整體水平。風(fēng)險(xiǎn)投資項(xiàng)目評(píng)估指標(biāo)體系研究始于Wells和Poindexter(1976)研究。之后，Tyebijee、Macmillan、Robinson和Timmons也進(jìn)行了大量的實(shí)證研究。與指標(biāo)體系研究相伴的是風(fēng)險(xiǎn)評(píng)估方法論及模型的研究，目前風(fēng)險(xiǎn)評(píng)估模型一般可分為定性、定量、定性與定量結(jié)合三類，常用的方法有：調(diào)查和專家打分法、層次分析分析法(AHP法)、模糊綜合評(píng)估法等。在項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型中，各指標(biāo)權(quán)重的確定又是非常關(guān)鍵的。權(quán)重評(píng)估中，AHP法由于其結(jié)構(gòu)嚴(yán)謹(jǐn)、思路簡(jiǎn)潔，已成為目前最常用的風(fēng)險(xiǎn)指標(biāo)權(quán)重評(píng)估模型，它將一層次上的風(fēng)險(xiǎn)因素相對(duì)與上一層各風(fēng)險(xiǎn)因素的重要性進(jìn)行兩兩比較判斷為基礎(chǔ)；進(jìn)一步，在風(fēng)險(xiǎn)評(píng)估過(guò)程中，傳統(tǒng)上常采用Delphi法，由多名專業(yè)評(píng)估人員進(jìn)行多輪評(píng)判打分，這是由于基于Delphi法的評(píng)判模型有一定科學(xué)性，能通過(guò)定性分析，將評(píng)估人員群體的主流意見(jiàn)顯性化。但是，上述兩類模型的明顯問(wèn)題在于：依賴于人的主觀判決的因素較多，以定性分析占比較多，定量分析環(huán)節(jié)相對(duì)較少，導(dǎo)致評(píng)估結(jié)果的科學(xué)性不夠強(qiáng)；在指標(biāo)數(shù)量較多情況下，已不能適應(yīng)現(xiàn)代市場(chǎng)環(huán)境的復(fù)雜性，特別是評(píng)估過(guò)程采用的Delphi模型，是最消耗人工工作量和成本的，計(jì)算過(guò)程也比較復(fù)雜，方法本身不具備利用儲(chǔ)備信息、知識(shí)判斷新增信息的能力，完全依賴人工重復(fù)判決，不能適應(yīng)評(píng)估對(duì)象的時(shí)變性和不確定性。

技術(shù)實(shí)現(xiàn)要素：

為了克服傳統(tǒng)風(fēng)險(xiǎn)評(píng)估模型定量分析偏弱、人工主觀因素偏強(qiáng)、不能適應(yīng)復(fù)雜時(shí)變環(huán)境的問(wèn)題，本發(fā)明推出了一種新型的項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型，考慮經(jīng)典AHP模型相對(duì)于Delphi模型占用人工成本較少，本發(fā)明模型沿用了傳統(tǒng)AHP法作為確定各級(jí)指標(biāo)權(quán)重的基本模型，同時(shí)，從第三級(jí)指標(biāo)以下擴(kuò)展了神經(jīng)網(wǎng)絡(luò)層、量化調(diào)整層、填寫層等三類模型組成復(fù)合型結(jié)構(gòu)，通過(guò)量化調(diào)整層實(shí)現(xiàn)評(píng)估輸入信息的初級(jí)量化，用神經(jīng)網(wǎng)絡(luò)模型作為數(shù)量最大的第三級(jí)指標(biāo)的評(píng)估算法，替代Delphi模型的人工評(píng)估過(guò)程。

本發(fā)明模型擴(kuò)展的填寫層、量化調(diào)整層能將項(xiàng)目方填報(bào)的信息導(dǎo)入并進(jìn)行初級(jí)組合量化，形成神經(jīng)網(wǎng)絡(luò)層的輸入向量，再經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)層的二次量化計(jì)算，形成傳統(tǒng)風(fēng)險(xiǎn)評(píng)估模型的第三級(jí)指標(biāo)輸入值，最后，經(jīng)過(guò)傳統(tǒng)三級(jí)指標(biāo)權(quán)重計(jì)算模型可獲得項(xiàng)目的最終風(fēng)險(xiǎn)評(píng)級(jí)結(jié)果。同時(shí)，這一模型在填寫層之上引入量化調(diào)整層后，項(xiàng)目填寫方只需按照引導(dǎo)輸入各單元化的基本信息，再由隱含的量化調(diào)整層進(jìn)行統(tǒng)計(jì)和組合后，成為神經(jīng)網(wǎng)絡(luò)所須的量化輸入，能避免項(xiàng)目填報(bào)方在直接接觸到評(píng)估指標(biāo)內(nèi)容后，有意識(shí)地虛報(bào)、夸大等情況。

本發(fā)明引入了神經(jīng)網(wǎng)絡(luò)作為第三級(jí)指標(biāo)的評(píng)估模型，神經(jīng)網(wǎng)絡(luò)在經(jīng)過(guò)一定數(shù)據(jù)訓(xùn)練后，一定 程度上能夠取代專業(yè)評(píng)估人員對(duì)第三級(jí)指標(biāo)的主觀打分過(guò)程，形成人工智能評(píng)估，降低人工主觀因素對(duì)評(píng)價(jià)結(jié)果客觀性額影響，同時(shí)大幅度降低人工評(píng)估的工作量和成本。其次，神經(jīng)網(wǎng)絡(luò)模型具備的機(jī)器學(xué)習(xí)能力，能根據(jù)儲(chǔ)備的知識(shí)和經(jīng)驗(yàn)對(duì)復(fù)雜問(wèn)題給出較合理的判決，以及對(duì)未來(lái)過(guò)程給出有效的預(yù)估，足以應(yīng)對(duì)現(xiàn)代市場(chǎng)環(huán)境復(fù)雜、多變、不確定性等各因素的疊加作用。

本發(fā)明涉及的風(fēng)險(xiǎn)評(píng)估模型的具體組成包括：

1、項(xiàng)目層：屬于傳統(tǒng)結(jié)構(gòu)，輸入為一級(jí)指標(biāo)層各指標(biāo)評(píng)分以及權(quán)重，輸出是項(xiàng)目整體風(fēng)險(xiǎn)評(píng)估的最終評(píng)分；

2、一級(jí)指標(biāo)層：屬于傳統(tǒng)結(jié)構(gòu)，輸入為二級(jí)指標(biāo)層各指標(biāo)評(píng)分以及權(quán)重，輸出是各一級(jí)指標(biāo)的評(píng)分；

3、二級(jí)指標(biāo)層：屬于傳統(tǒng)結(jié)構(gòu)，輸入為三級(jí)指標(biāo)層各指標(biāo)評(píng)分以及權(quán)重，輸出是各二級(jí)指標(biāo)的評(píng)分；

4、三級(jí)指標(biāo)層：輸入為神經(jīng)網(wǎng)絡(luò)層輸出層各節(jié)點(diǎn)輸出分值，輸出是各三級(jí)指標(biāo)的評(píng)分；

5、神經(jīng)網(wǎng)路層：神經(jīng)網(wǎng)絡(luò)層內(nèi)部又由輸入層、隱含層、輸出層組成，這里選擇的是BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)層輸入節(jié)點(diǎn)數(shù)量與量化調(diào)整層的輸出節(jié)點(diǎn)數(shù)量一致，神經(jīng)網(wǎng)絡(luò)層的輸出是面向各三級(jí)指標(biāo)的分值；

6、量化調(diào)整層：量化層主要的功能是將填寫層輸入的定性描述進(jìn)行定量統(tǒng)計(jì)，以量化的數(shù)值作為神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的特征輸入值，例如，填寫層填寫出完整的團(tuán)隊(duì)成員信息后，量化調(diào)整層將采用一定的模型統(tǒng)計(jì)出團(tuán)隊(duì)學(xué)歷分布、年齡分布、專業(yè)構(gòu)成等量化指標(biāo)，作為團(tuán)隊(duì)部分三級(jí)指標(biāo)如“團(tuán)隊(duì)成熟度”指標(biāo)的初級(jí)評(píng)估量化指標(biāo)，再經(jīng)神經(jīng)網(wǎng)絡(luò)層二次量化計(jì)算后，獲得對(duì)該三級(jí)指標(biāo)的評(píng)分。輸入為填寫層的初級(jí)定性信息，輸出節(jié)點(diǎn)數(shù)量與神經(jīng)網(wǎng)絡(luò)層的輸入節(jié)點(diǎn)一一對(duì)應(yīng)。

7、填寫層：該層是整個(gè)風(fēng)險(xiǎn)評(píng)估模型的初始輸入層，具體形式為由項(xiàng)目方填寫的各類項(xiàng)目相關(guān)基礎(chǔ)信息，如團(tuán)隊(duì)成員、產(chǎn)品技術(shù)、市場(chǎng)等相關(guān)的經(jīng)專門細(xì)化分解的初級(jí)簡(jiǎn)單信息。

項(xiàng)目層到三級(jí)指標(biāo)層為樹狀結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)層到三級(jí)指標(biāo)層一對(duì)一級(jí)聯(lián)結(jié)構(gòu)，量化調(diào)整層到神經(jīng)網(wǎng)絡(luò)層之間是一對(duì)一級(jí)聯(lián)結(jié)構(gòu)，填寫層到量化調(diào)整層是網(wǎng)狀級(jí)聯(lián)結(jié)構(gòu)。

本發(fā)明涉及的風(fēng)險(xiǎn)評(píng)估模型的具體操作流程是：

1、確定各層結(jié)構(gòu)中的具體內(nèi)容：根據(jù)具體項(xiàng)目設(shè)計(jì)各指標(biāo)層內(nèi)的指標(biāo)內(nèi)容，確定量化調(diào)整層統(tǒng)計(jì)模型，填寫層各填寫單元內(nèi)容；

2、AHP法確定三層指標(biāo)權(quán)重：各級(jí)指標(biāo)層內(nèi)容確定后，由專業(yè)人員采用AHP法對(duì)權(quán)重進(jìn)行確定；

3、對(duì)神經(jīng)網(wǎng)絡(luò)層進(jìn)行學(xué)習(xí)訓(xùn)練：采用BP神經(jīng)網(wǎng)絡(luò)模型，用仿真或歷史數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得收斂的網(wǎng)絡(luò)內(nèi)部各權(quán)值；

4、項(xiàng)目方填寫新項(xiàng)目信息：項(xiàng)目方根據(jù)給出的填寫單元要求，填寫項(xiàng)目相關(guān)定量、定性信息；

5、輸出新項(xiàng)目信息評(píng)價(jià)結(jié)果：模型在經(jīng)過(guò)權(quán)證確定、神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，即可視為一針對(duì)某一領(lǐng)域的成熟評(píng)價(jià)體系，在項(xiàng)目方信息填寫完成后，可實(shí)時(shí)獲得項(xiàng)目的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果。

本發(fā)明帶來(lái)的有益效果是，克服了傳統(tǒng)風(fēng)險(xiǎn)評(píng)估模型定量分析偏弱、人工主觀因素偏強(qiáng)、不能適應(yīng)復(fù)雜時(shí)變環(huán)境的問(wèn)題。引入了量化調(diào)整層結(jié)構(gòu)，項(xiàng)目填寫方只需按照引導(dǎo)輸入各單元化的基本信息，再由隱含的量化調(diào)整層進(jìn)行統(tǒng)計(jì)和組合后，成為神經(jīng)網(wǎng)絡(luò)所須的量化輸入，能避免項(xiàng)目填報(bào)方在直接接觸到評(píng)估指標(biāo)內(nèi)容后，有意識(shí)地虛報(bào)、夸大等情況。引入了神經(jīng)網(wǎng)絡(luò)作為第三級(jí)指標(biāo)的評(píng)估模型，形成人工智能評(píng)估，能降低人工主觀因素對(duì)評(píng)價(jià)結(jié)果客觀性的影響，同時(shí)大幅度降低人工評(píng)估的工作量和成本。由于神經(jīng)網(wǎng)絡(luò)模型具備根據(jù)儲(chǔ)備的知 識(shí)和經(jīng)驗(yàn)對(duì)復(fù)雜問(wèn)題給出較合理判決的特點(diǎn)，以及對(duì)未來(lái)過(guò)程給出有效的預(yù)估，足以應(yīng)對(duì)現(xiàn)代市場(chǎng)環(huán)境復(fù)雜、多變、不確定性等各因素的疊加作用。

附圖說(shuō)明

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說(shuō)明。

圖1是本發(fā)明涉及的項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型基本架構(gòu)圖。

圖1中(1)是項(xiàng)目層，(2)是一級(jí)指標(biāo)層，(3)是二級(jí)指標(biāo)層，(4)三級(jí)指標(biāo)層，(5)是神經(jīng)網(wǎng)絡(luò)層，(6)是量化調(diào)整層，(7)是填寫層。

圖2是本發(fā)明涉及的項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型基本流程圖。

圖3是本發(fā)明涉及的項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型中的BP神經(jīng)網(wǎng)絡(luò)模型解決方案。

圖3中(7)BP神經(jīng)網(wǎng)絡(luò)輸入層，(8)是BP神經(jīng)網(wǎng)絡(luò)隱含層，(9)是BP神經(jīng)網(wǎng)絡(luò)輸出層

具體實(shí)施方式

在圖1所示的項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型基本架構(gòu)圖中，從項(xiàng)目層(1)到三級(jí)指標(biāo)層(2)、(3)、(4)為樹狀結(jié)構(gòu)，與傳統(tǒng)風(fēng)險(xiǎn)評(píng)估指標(biāo)體系機(jī)構(gòu)相似，各層次指標(biāo)有一個(gè)權(quán)重，按樹形結(jié)構(gòu)，每層級(jí)各指標(biāo)的得分乘以其指標(biāo)的權(quán)重后的加權(quán)平均值即是上一層級(jí)對(duì)應(yīng)指標(biāo)的分值，由此，推導(dǎo)到項(xiàng)目層的最終風(fēng)險(xiǎn)評(píng)估得分。(2)、(3)、(4)層各指標(biāo)的權(quán)重值，采用經(jīng)典AHP法經(jīng)過(guò)多人評(píng)估后得出后，各層級(jí)權(quán)重分布即固定下來(lái)。

圖1中，從神經(jīng)網(wǎng)絡(luò)層(5)到第三級(jí)指標(biāo)層(4)一對(duì)一級(jí)聯(lián)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)層(5)內(nèi)部又由輸入層、隱含層、輸出層組成，這里選擇的是3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)層(5)的輸出是面向第三級(jí)指標(biāo)層(4)中各指標(biāo)的分值。神經(jīng)網(wǎng)絡(luò)層(5)內(nèi)部各節(jié)點(diǎn)對(duì)應(yīng)權(quán)值的確定，采用多個(gè)歷史或仿真數(shù)據(jù)通過(guò)機(jī)器學(xué)習(xí)訓(xùn)練，迭代計(jì)算收斂后確定。

圖1中，量化調(diào)整層(6)到神經(jīng)網(wǎng)絡(luò)層(5)之間是一對(duì)一級(jí)聯(lián)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)層(5)輸入節(jié)點(diǎn)數(shù)量與量化調(diào)整層(6)的節(jié)點(diǎn)數(shù)量一致。

圖1中，填寫層到量化調(diào)整層是網(wǎng)狀級(jí)聯(lián)結(jié)構(gòu)。量化層主要的功能是將填寫層輸入的定性描述進(jìn)行定量統(tǒng)計(jì)，以量化的數(shù)值作為神經(jīng)網(wǎng)絡(luò)各節(jié)點(diǎn)的特征輸入值，例如，填寫層填寫出完整的團(tuán)隊(duì)成員信息后，量化調(diào)整層將采用一定的模型統(tǒng)計(jì)出團(tuán)隊(duì)學(xué)歷分布、年齡分布、專業(yè)構(gòu)成等量化指標(biāo)，作為團(tuán)隊(duì)部分三級(jí)指標(biāo)(例如“團(tuán)隊(duì)成熟度”指標(biāo))的初級(jí)評(píng)估量化指標(biāo)，再經(jīng)神經(jīng)網(wǎng)絡(luò)層二次量化計(jì)算后，獲得對(duì)該三級(jí)指標(biāo)的評(píng)分。輸入為填寫層的初級(jí)定性信息，輸出節(jié)點(diǎn)與神經(jīng)網(wǎng)絡(luò)層的輸入節(jié)點(diǎn)一一對(duì)應(yīng)。

圖1中，填寫層是整個(gè)風(fēng)險(xiǎn)評(píng)估模型的初始輸入層，具體形式為由項(xiàng)目方填寫的各類項(xiàng)目相關(guān)基礎(chǔ)信息(如團(tuán)隊(duì)成員、產(chǎn)品技術(shù)、市場(chǎng)等)經(jīng)專門細(xì)化分解的初級(jí)簡(jiǎn)單信息組成。

圖2給出了本發(fā)明涉及的項(xiàng)目風(fēng)險(xiǎn)評(píng)估模型基本流程圖：

第一步：根據(jù)具體項(xiàng)目設(shè)計(jì)各指標(biāo)層內(nèi)的指標(biāo)內(nèi)容，確定量化調(diào)整層統(tǒng)計(jì)模型，填寫層各填寫單元內(nèi)容；

第二步：各級(jí)指標(biāo)層內(nèi)容確定后，由專業(yè)人員采用AHP法對(duì)權(quán)重進(jìn)行確定；

第三步：采用BP神經(jīng)網(wǎng)絡(luò)模型，用仿真或歷史數(shù)據(jù)對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的進(jìn)行訓(xùn)練，神經(jīng)網(wǎng)絡(luò)內(nèi)部權(quán)值收斂后得到穩(wěn)定的模型；

第四步：上述三步過(guò)程結(jié)束后，即可得到一個(gè)完整的風(fēng)險(xiǎn)控制模型，用于新項(xiàng)目信息的智能評(píng)估；

第五步：項(xiàng)目方根據(jù)給出的填寫單元要求，填寫項(xiàng)目相關(guān)定量、定性信息；

第六步：在項(xiàng)目方信息填寫完成后，可實(shí)時(shí)獲得項(xiàng)目的風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果。

圖3給出了風(fēng)險(xiǎn)評(píng)估模型中神經(jīng)網(wǎng)絡(luò)層采用的BP神經(jīng)網(wǎng)絡(luò)方案。如圖3所示的BP神經(jīng)網(wǎng)絡(luò)模型，包含輸入層(7)、隱含層(8)和輸出層(9)。本發(fā)明之所以采用BP神經(jīng)網(wǎng)絡(luò)方案，是由于它與其他各類神經(jīng)網(wǎng)絡(luò)模型相比，具有較好的自學(xué)習(xí)、自聯(lián)想和容錯(cuò)性，是應(yīng)用比較廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型。如圖3所示，從量化調(diào)整層來(lái)的輸入量，要先向前傳輸?shù)诫[含層節(jié)點(diǎn)，經(jīng)過(guò)作用函數(shù)后，再把隱節(jié)點(diǎn)的輸出量傳播到輸出節(jié)點(diǎn)，最后得出輸出結(jié)果向上傳輸?shù)降谌龑又笜?biāo)層節(jié)點(diǎn)。本發(fā)明涉及的BP神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的作用激勵(lì)函數(shù)選取S型函數(shù)：

式中Q為調(diào)整激勵(lì)函數(shù)形式的Sigmoid參數(shù)。在正向傳播過(guò)程中，輸入信息從輸入層經(jīng)隱含層逐層處理。每一層神經(jīng)元狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果輸入層得不到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

實(shí)際使用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)新項(xiàng)目進(jìn)行風(fēng)險(xiǎn)評(píng)估之前，還須要對(duì)神經(jīng)網(wǎng)絡(luò)有一個(gè)學(xué)習(xí)和訓(xùn)練的過(guò)程才行。對(duì)此，本發(fā)明給出的具體實(shí)施方案如下：

1、對(duì)相同領(lǐng)域或行業(yè)的項(xiàng)目，從不同企業(yè)選取20個(gè)左右的項(xiàng)目為訓(xùn)練樣本；

2、按照設(shè)計(jì)好的填寫層的要求，詳細(xì)描述和總結(jié)每一個(gè)案例的實(shí)際發(fā)生情況，輸入填寫層；

3、輸入填寫層的信息經(jīng)量化調(diào)整層后，量化為針對(duì)每一個(gè)三層指標(biāo)的評(píng)估參考量；

4、每一個(gè)案例都分別請(qǐng)三名不同的專家，在參考量化調(diào)整層輸出的量化參考指標(biāo)后，針對(duì)每一個(gè)三層指標(biāo)給出評(píng)價(jià)分值，然后將三名專家給出的分值進(jìn)行求和平均，從而得出每個(gè)三層指標(biāo)的最終評(píng)價(jià)分值；

5、將量化調(diào)整層的輸入量，與三名專家給出的每個(gè)三級(jí)指標(biāo)的最終評(píng)價(jià)分值結(jié)合，就得到BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)樣本；

6、將20個(gè)項(xiàng)目獲得的學(xué)習(xí)樣本集輸入給BP神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練后，在設(shè)定好一定的相對(duì)誤差范圍(一般取10％)，即可令BP神經(jīng)網(wǎng)路內(nèi)部各權(quán)值能收斂，這樣的神經(jīng)網(wǎng)絡(luò)就是一個(gè)成熟可用的模型了。