神经网络在项目总承包风险中的应用
| 1 绪论 | 第1-11页 |
| 1．1 研究背景 | 第7-9页 |
| 1．1．1 国际工程承包市场发展 | 第7-8页 |
| 1．1．2 国内外总承包发展状况 | 第8-9页 |
| 1．1．3 研究总承包风险补偿费率的意义 | 第9页 |
| 1．2 已有的研究成果 | 第9-10页 |
| 1．3 本文研究内容 | 第10-11页 |
| 2 项目总承包风险 | 第11-33页 |
| 2．1 概述 | 第11-17页 |
| 2．1．1 项目总承包产生 | 第11页 |
| 2．1．2 项目总承包的概念 | 第11-12页 |
| 2．1．3 项目总承包组织 | 第12-13页 |
| 2．1．4 项目总承包与项目管理区别 | 第13页 |
| 2．1．5 不适用总承包的项目 | 第13-14页 |
| 2．1．6 项目总承包的特性 | 第14-15页 |
| 2．1．7 总承包商资金筹措 | 第15-17页 |
| 2．2 项目总承包的风险管理 | 第17-33页 |
| 2．2．1 总承包风险及风险补偿费的定义 | 第17页 |
| 2．2．2 项目总承包风险的基本要素 | 第17-18页 |
| 2．2．3 项目总承包风险的基本性质 | 第18-19页 |
| 2．2．4 项目总承包风险管理 | 第19-20页 |
| 2．2．5 项目总承包风险的识别 | 第20-25页 |
| 2．2．6 项目总承包风险分析与评估 | 第25-30页 |
| 2．2．7 项目总承包风险应对计划及方法 | 第30-33页 |
| 3 项目总承包风险分析的建模 | 第33-55页 |
| 3．1 控制论的发展 | 第33-34页 |
| 3．2 神经网络模型 | 第34-43页 |
| 3．2．1 生物神经元模型 | 第34-35页 |
| 3．2．2 人工神经网络模型 | 第35-37页 |
| 3．2．3 人工神经网络的分类及学习规则 | 第37-43页 |
| 3．3 神经网络对项目总承包风险补偿费率的预测 | 第43-55页 |
| 3．3．1 神经网络与项目总承包 | 第43-44页 |
| 3．3．2 RBF神经网络模型 | 第44-47页 |
| 3．3．3 RBF网络的学习算法 | 第47-54页 |
| 3．3．4 RBF神经网络编程 | 第54-55页 |
| 4 工程实例 | 第55-66页 |
| 4．1 建模与样本选择原则 | 第55页 |
| 4．2 基于RBF网络的总承包风险模型的建立 | 第55-57页 |
| 4．2．1 确定网络的输入元素数 | 第55-56页 |
| 4．2．2 隐层神经元数的确定 | 第56页 |
| 4．2．3 输入元素值量化 | 第56-57页 |
| 4．3 利用MATLAB语言进行网络设计 | 第57-58页 |
| 4．4 风险因素敏感性分析 | 第58页 |
| 4．5 实例 | 第58-66页 |
| 5 总结与展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-69页 |
| 附录 硕士研究生学习阶段发表论文 | 第69页 |
