CN114862092A - 一种基于神经网络的评标方法及设备 - Google Patents
一种基于神经网络的评标方法及设备 Download PDFInfo
- Publication number
- CN114862092A CN114862092A CN202210247166.8A CN202210247166A CN114862092A CN 114862092 A CN114862092 A CN 114862092A CN 202210247166 A CN202210247166 A CN 202210247166A CN 114862092 A CN114862092 A CN 114862092A
- Authority
- CN
- China
- Prior art keywords
- bid evaluation
- neural network
- data
- evaluation
- rbf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 204
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000003062 neural network model Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000002068 genetic effect Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 2
- 238000013077 scoring method Methods 0.000 claims 1
- 238000012854 evaluation process Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于神经网络的评标方法及设备，用以解决现有的评标体系无法保证评标过程的可靠性以及评标结果的准确性的技术问题。方法包括：获取项目数据，并通过所述项目数据，构建评标体系，评标体系中包括若干评标指标；对所述评标体系对应的评标数据进行处理，以得到所述若干评标指标对应的相关系数矩阵；通过预设算法，对所述若干评标指标进行筛选，以对所述相关系数矩阵进行处理；通过处理之后的所述相关系数矩阵，对预设神经网络模型进行训练，得到GA‑RBF神经网络模型；将待评标项目数据输入至所述GA‑RBF神经网络模型中得到评标结果。本申请通过上述方法避免了主观因素对评标结果的影响，保证了评标过程及评标结果的可靠性。
Description
技术领域
本申请涉及神经网络技术领域，尤其涉及一种基于神经网络的评标方法及设备。
背景技术
近年来，随着各行业的迅猛发展，企业招投标体系也在逐步完善，但从实际的经验来看，其中最关键的环节评标仍然存在诸多问题。一是缺乏统一的评判标准；二是评标专家们自身主观因素对评标结果带来很大影响；三是在技术标的评定方面不能很好地把握打分范围。
目前，已经对评标体系进行了广泛的研究，提出了模糊神经网络、BP神经网络法、和径向基函数(Radial Basis Function，RBF)神经网络等改善方法，对于解决上述问题起到了积极的作用。其中，BP神经网络法应用最为广泛，但BP神经网络法存在学习过程收敛速度慢，容易陷入局部极小点等缺点，同时，RBF神经网络在逼近、分类和学习速度等方面均有优势，但参数选取难度较大。这些缺点都会对评标过程及评标结果产生一定的影响。
发明内容
本申请实施例提供了一种基于神经网络的评标方法及设备，用以解决现有的评标体系无法保证评标过程的可靠性以及评标结果的准确性的技术问题。
一方面，本申请实施例提供了一种基于神经网络的评标方法，包括：获取项目数据，并通过所述项目数据，构建评标体系；其中，所述评标体系中包括若干评标指标；对所述评标体系对应的评标数据进行处理，以得到所述若干评标指标对应的相关系数矩阵；通过预设算法，对所述若干评标指标进行筛选，以对所述相关系数矩阵进行处理，得到模型的训练数据；通过所述训练数据，对预设神经网络模型进行训练，得到GA-RBF神经网络模型；将待评标项目数据输入至所述GA-RBF神经网络模型中，得到评标结果。
在本申请实施例的一种可能实现方式中，通过所述项目数据，构建评标体系，具体包括：在所述项目数据中，确定出项目目标；其中，所述项目目标至少包括项目质量、项目进度以及项目经费；根据所述项目目标，确定相关评标指标；对所述相关评标指标进行统计分析处理，得到评标体系。
在本申请实施例的一种可能实现方式中，对所述评标体系对应的评标数据进行处理，具体包括：通过以下公式对所述评标数据进行标准化处理：
其中，
xij用于指示评标数据；n为评标数据个数。
在本申请实施例的一种可能实现方式中，在对评标数据进行标准化处理之后，所述方法还包括：通过以下公式计算任意两个评标指标之间的相关系数：
其中，rij为第i个评标指标与第j个评标指标之间的相关系数；m为评标指标总数。
在本申请实施例的一种可能实现方式中，通过预设算法，对所述评标指标进行筛选，具体包括：构建特征方程，并计算所述特征方程的特征值与特征向量；基于所述特征值与所述特征向量，计算任一评标指标的贡献量；其中，所述贡献量用于指示所述任一评标指标对其评标数据累计方差的贡献量；通过所述贡献量，确定是否保留所述任一评标指标。
在本申请实施例的一种可能实现方式中，对预设神经网络模型进行训练，具体包括：构建RBF网络；基于所述评标数据，产生初始种群，并计算所述初始种群的适应度；在所述适应度未达到遗传算法的预设终止条件时，执行遗传操作，产生下一种群；继续计算所述下一种群的适应度，并继续判断所述下一种群的适应度是否大达到所述遗传算法的预设终止条件；重复执行上述操作，直至所述适应度达到所述遗传算法的预设终止条件。
在本申请实施例的一种可能实现方式中，在所述适应度达到所述遗传算法的预设终止条件之后，所述方法还包括：确定所述RBF网络对应的权值矩阵，并计算所述RBF网络的误差；基于所述RBF网络的误差，对所述RBF网络进行更新；判断更新后的所述RBF网络是否达到所述RBF网络的预设终止条件，若否，则继续计算更新后的所述RBF网络的误差。
在本申请实施例的一种可能实现方式中，对所述RBF网络进行更新之后，所述方法还包括：确定更新后的所述RBF网络达到所述RBF网络的预设终止条件；完成所述GA-RBF神经网络模型的训练；通过预设优化算法，对训练好的GA-RBF神经网络模型进行评估优化。
在本申请实施例的一种可能实现方式中，在对训练好的GA-RBF神经网络模型进行评估优化之后，所述方法还包括：获取测试数据，将所述测试数据输入至优化好的所述GA-RBF神经网络模型中，得到评标结果；将所述评标结果与所述测试数据对应的结果进行对比，确定所述GA-RBF神经网络模型优化完成；将待评标项目数据输入至所述GA-RBF神经网络模型中，具体包括：将待评标项目数据输入至优化完成的所述GA-RBF神经网络模型中。
另一方面，本申请实施例还提供了一种基于神经网络的评标设备，包括：处理器；以及存储器，其上存储有可执行指令，当所述可执行指令被执行时，使得所述处理器执行如上述的一种基于神经网络的评标方法。
本申请实施例提供的一种基于神经网络的评标方法及设备，通过项目数据构建评标体系，并对构建的评标体系进行评标数据标准化处理、评标指标筛选等处理，保证了神经网络模型训练数据的准确性及有效性。通过训练完成的神经网络模型，对待评标项目数据进行评标，避免了传统评标过程容易受主观因素的影响，提高了评标系统的客观性，保证了评标过程以及评标结果的可靠性。另外，本申请实施例中的GA-RBF神经网络模型，通过GA遗传算法对RBF神经网络模型进行了优化，能够大大提升网络训练的速度与精度，使得评标系统更加准确。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本申请实施例提供的一种基于神经网络的评标方法流程图；
图2为本申请实施例提供的GA-RBF神经网络模型训练过程示意图；
图3为本申请实施例提供的一种基于神经网络的评标设备内部结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供了一种基于神经网络的评标方法，通过构建评标体系，对评标体系中的评标数据进行标准化处理，以及对评标体系中的评标指标进行主成分分析，得到神经网络模型的训练数据。同时，采用GA算法与RBF神经网络相结合的GA-RBF神经网络模型，对待评标数据进行自动评标，避免了人为参与，保证了评标过程及评标结果的准确性。
下面通过附图对本申请实施例提出的技术方案进行详细的说明。
图1为本申请实施例提供的一种基于神经网络的评标方法流程图。如图1所示，本申请实施例提供的评标方法主要包括以下执行步骤：
步骤101、构建合理的评标体系，收集评标数据。
本申请实施例提供的评标方法，首先是获取若干项目数据，基于这些项目数据提取影响项目评标的指标，构建指标体系，然后基于构建的指标体系，在上述若干项目数据中，提取评标数据。
具体地，本申请实施例中获取若干项目数据，可以是在某一公司内部获取，获取该公司内近几年的所完成的若干项目，然后提取项目数据；也可以是在某一项目相关网站上，获取该类型的若干项目数据。
进一步地，根据获取到的项目数据，确定项目目标。项目目标主要是根据项目特点和客户的要求，确定项目最终要达到的状态。在本申请实施例中，项目目标至少包括项目质量、项目进度以及项目经费中的任一项或者多项。
更进一步地，根据项目目标，将可能影响项目目标实现的各种因素罗列出来，建立指标集合即得到相关评标指标。然后，利用数理统计法、层次分析法等对上述相关评标指标进行选择，确定出优选的评标指标，完成评标体系的构建。
在得到评标体系之后，根据评标体系内包含的若干评标指标，在项目数据中进行数据提取，即提取出上述若干评标指标对应的评标数据。
步骤102、对评标数据进行处理，生成相关系数矩阵。
原始评标体系中，评标指标之间的数据差异过大，为了避免大数据对小数据的影响，对评标数据进行标准化处理。具体地，假设原始评标体系为X＝(X1,X2,X3,…,Xp)，其中，Xp为评标指标，p为评标指标个数。通过以下公式实现：
其中，
xij用于指示评标数据；n为评标数据个数。
进一步地，经过标准化处理后，计算评标指标的相关系数矩阵为R＝(rij)P×P，计算公式为：
其中，rij为第i个评标指标与第j个评标指标之间的相关系数；m为评标指标总数。
需要说明的是，本申请实施例中评标体系为X，在X中存在若干评标指标X1,X2,X3,…,Xp；评标指标为矩阵形式，在每个评标指标矩阵中存在i*j个元素，即评标数据xij。还需要说明的是，本申请实施例中计算各个评标指标之间的相关系数rij，是为了在后续神经网络模型训练时，将其作为训练参数输入至模型中，具体的实现过程详见下文描述，本申请实施例在此不做赘述。
步骤103、利用主成分分析法筛选评标指标。
本申请实施例中，评标体系中包含的若干个评标指标，可能存在冗余指标，为了提高模型训练数据(根据评标指标确定的评标数据)的有效性，就需要去除冗余指标，实现相关系数矩阵的特征降维。具体地，首先，构建特征方程，并计算特征方程的特征值和特征向量，然后，基于确定出的特征值与特征向量计算评标指标主要成分对评标数据累计方差的贡献量。最后，根据计算出来的贡献量，确定某个评标指标是否进行保留。
为了选取最能代表全部评标数据的主要评标指标(即主成分)，如果前m个主要成分的累计贡献大于85％,可以认定这m个主要评标指标能够基本代表全部的评标指标的评标数据。基于主成分分析选定的评标指标,能够在保持评标性能不变的同时,有效降低特征的维度,提高评标效率。
需要说明的是，本申请实施例中采用主成分分析法对评标指标进行筛选，主要是为了去除冗余指标，进而实现对之前得到的相关系数矩阵进行处理，其具体的实现方法及过程可以通过现有的算法实现，本申请实施例在此不做赘述。
步骤104、对GA-RBF神经网络模型进行训练。
在筛选完评标指标后，根据选定的评标指标，确定评标数据，并根据确定出来的评标数据计算评标指标的相关系数矩阵(此处的相关系数矩阵，可以理解为是步骤102中相关系数矩阵进行进一步处理得到的，处理过程即是评标指标的筛选)，将该相关系数矩阵作为对神经网络模型的训练数据，对其进行训练得到结合了遗传算法的GA-RBF神经网络模型。其具体的训练过程如图2所示。
图2为本申请实施例提供的GA-RBF神经网络模型训练过程示意图。如图2所示，模型的训练过程主要包括两大部分。一是遗传算法训练部分，二是RBF神经网络模型训练部分。具体地，首先，构建RBF网络；基于上述确定的评标指标对应的训练数据(各指标之间的相关系数矩阵)，产生初始种群，并计算该初始种群的适应度；然后，在初始种群的适应度未达到遗传算法的预设终止条件时，执行遗传操作，产生下一种群，并继续计算下一种群的适应度，然后继续判断该下一种群的适应度是否达到遗传算法的预设终止条件；若否，则重复执行上述操作，直至种群的适应度达到遗传算法的预设终止条件。若是，则执行第二部分RBF神经网络的训练。首先，确定RBF网络对应的权值矩阵，基于该权值矩阵计算RBF网络的误差；然后，根据RBF网络的误差，对RBF网络进行更新，以使RBF神经网络的误差不断减小。最后，判断更新后的RBF网络是否达到RBF网络的预设终止条件，若否，则继续计算更新后的RBF网络的误差，若是，则完成所述GA-RBF神经网络模型的训练，得到训练好的GA-RBF神经网络模型。
进一步地，为了保证训练出的模型的实用性，以及保证通过该模型预测出的评标结果的可靠性，需要对训练好的神经网络模型进行进一步的优化。具体地，通过预设优化算法，对训练好的GA-RBF神经网络模型进行评估优化。需要说明的是，此处的预设优化算法的具体种类并不限定，只要能够对模型进行优化即可。
在本申请实施例的一种可能实现方式中，对训练好的GA-RBF神经网络模型进行优化，还可以通过预先设定的测试数据实现，该测试数据可以是之前作为模型训练数据中的一部分。具体地，获取测试数据，将获取的测试数据输入至优化好的GA-RBF神经网络模型中，得到评标结果；然后，将评标结果与测试数据对应的结果进行对比，以确定GA-RBF神经网络模型优化完成。
步骤105、利用训练好的神经网络模型对待评标数据进行自动评标。
在得到最终优化完成的GA-RBF神经网络模型之后，将待评标数据输入至该模型中，得到待评标数据对应的评标项目的评标结果，实现自动评标。
以上为本申请实施例提供的方法实施例，基于同样的发明构思，本申请实施例还提供了一种基于神经网络的评标设备，其内部结构如图3所示。
图3为本申请实施例提供的一种基于神经网络的评标设备内部结构示意图。如图3所示，评标设备包括处理器，以及存储器，其上存储有可执行指令，当所述可执行指令被执行时，使得所述处理器执行如上述实施例所描述的一种基于神经网络的评标方法。
在本申请实施例的一种可能实现方式中，上述可执行指令被配置为：获取项目数据，并通过所述项目数据，构建评标体系；其中，所述评标体系中包括若干评标指标；对所述评标体系对应的评标数据进行处理，以得到所述若干评标指标对应的相关系数矩阵；通过预设算法，对所述若干评标指标进行筛选，以对所述相关系数矩阵进行处理，得到模型的训练数据；通过所述训练数据，对预设神经网络模型进行训练，得到GA-RBF神经网络模型；将待评标项目数据输入至所述GA-RBF神经网络模型中，得到评标结果。
本申请实施例提供的一种基于神经网络的评标方法及设备，具有以下有益效果：
1)构建合理且全面的评标体系，首先对评标数据进行标准化处理，然后对评标指标进行主成分分析，去除冗余指标，使评标结果更加准确且适用于多种类型的项目，同时，能够在保持评标性能不变的同时,有效降低特征的维度,提高评标效率。
2)通过构建GA-RBF神经网络模型，对具有代表性的招投标项目评标数据进行学习，然后将训练好的神经网络模型应用到对现有待评标数据分析中，实现自动评标，避免人为操作，进而避免了主观因素对评标结果的影响，能够提高评标系统的客观性。
3)利用GA遗传算法对RBF神经网络进行优化，能够大大提高网络训练的精度和速度，避免进入局部最优，使评标过程及结果更加准确。
本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于神经网络的评标方法，其特征在于，所述方法包括：
获取项目数据，并通过所述项目数据，构建评标体系；其中，所述评标体系中包括若干评标指标；
对所述评标体系对应的评标数据进行处理，以得到所述若干评标指标对应的相关系数矩阵；
通过预设算法，对所述若干评标指标进行筛选，以对所述相关系数矩阵进行处理，得到模型的训练数据；
通过所述训练数据，对预设神经网络模型进行训练，得到GA-RBF神经网络模型；
将待评标项目数据输入至所述GA-RBF神经网络模型中，得到评标结果。
2.根据权利要求1所述的一种基于神经网络的评标方法，其特征在于，通过所述项目数据，构建评标体系，具体包括：
在所述项目数据中，确定出项目目标；其中，所述项目目标至少包括项目质量、项目进度以及项目经费；
根据所述项目目标，确定相关评标指标；
对所述相关评标指标进行统计分析处理，得到评标体系。
3.根据权利要求1所述的一种基于神经网络的评标方法，其特征在于，对所述评标体系对应的评标数据进行处理，具体包括：
通过以下公式对所述评标数据进行标准化处理：
其中，
xij用于指示评标数据；n为评标数据个数。
4.根据权利要求3所述的一种基于神经网络的评标方法，其特征在于，在对评标数据进行标准化处理之后，所述方法还包括：
通过以下公式计算任意两个评标指标之间的相关系数：
其中，rij为第i个评标指标与第j个评标指标之间的相关系数；m为评标指标总数。
5.根据权利要求1所述的一种基于神经网络的评标方法，其特征在于，通过预设算法，对所述评标指标进行筛选，具体包括：
构建特征方程，并计算所述特征方程的特征值与特征向量；
基于所述特征值与所述特征向量，计算任一评标指标的贡献量；其中，所述贡献量用于指示所述任一评标指标对其评标数据累计方差的贡献量；
通过所述贡献量，确定是否保留所述任一评标指标。
6.根据权利要求1所述的一种基于神经网络的评标方法，其特征在于，对预设神经网络模型进行训练，具体包括：
构建RBF网络；
基于所述训练数据，产生初始种群，并计算所述初始种群的适应度；
在所述适应度未达到遗传算法的预设终止条件时，执行遗传操作，产生下一种群；
继续计算所述下一种群的适应度，并继续判断所述下一种群的适应度是否大达到所述遗传算法的预设终止条件；
重复执行上述操作，直至所述适应度达到所述遗传算法的预设终止条件。
7.根据权利要求6所述的一种基于神经网络的评标方法，其特征在于，在所述适应度达到所述遗传算法的预设终止条件之后，所述方法还包括：
确定所述RBF网络对应的权值矩阵，并计算所述RBF网络的误差；
基于所述RBF网络的误差，对所述RBF网络进行更新；
判断更新后的所述RBF网络是否达到所述RBF网络的预设终止条件，若否，则继续计算更新后的所述RBF网络的误差。
8.根据权利要求7所述的一种基于神经网络的评标方法，其特征在于，对所述RBF网络进行更新之后，所述方法还包括：
确定更新后的所述RBF网络达到所述RBF网络的预设终止条件；
完成所述GA-RBF神经网络模型的训练；
通过预设优化算法，对训练好的GA-RBF神经网络模型进行评估优化。
9.根据权利要求8所述的一种基于神经网络的评标方法，其特征在于，在对训练好的GA-RBF神经网络模型进行评估优化之后，所述方法还包括：
获取测试数据，
将所述测试数据输入至优化好的所述GA-RBF神经网络模型中，得到评标结果；
将所述评标结果与所述测试数据对应的结果进行对比，确定所述GA-RBF神经网络模型优化完成；
将待评标项目数据输入至所述GA-RBF神经网络模型中，具体包括：
将待评标项目数据输入至优化完成的所述GA-RBF神经网络模型中。
10.一种基于神经网络的评标设备，其特征在于，所述设备包括：
处理器；
以及存储器，其上存储有可执行指令，当所述可执行指令被执行时，使得所述处理器执行如权利要求1-9任一项所述的一种基于神经网络的评标方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210247166.8A CN114862092A (zh) | 2022-03-14 | 2022-03-14 | 一种基于神经网络的评标方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210247166.8A CN114862092A (zh) | 2022-03-14 | 2022-03-14 | 一种基于神经网络的评标方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114862092A true CN114862092A (zh) | 2022-08-05 |
Family
ID=82627823
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210247166.8A Pending CN114862092A (zh) | 2022-03-14 | 2022-03-14 | 一种基于神经网络的评标方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862092A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787569A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司 | 一种智能辅助评标方法及系统 |
-
2022
- 2022-03-14 CN CN202210247166.8A patent/CN114862092A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117787569A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司 | 一种智能辅助评标方法及系统 |
| CN117787569B (zh) * | 2024-02-23 | 2024-04-30 | 广东电网有限责任公司 | 一种智能辅助评标方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20170300546A1 (en) | Method and Apparatus for Data Processing in Data Modeling | |
| CN110232203B (zh) | 知识蒸馏优化rnn短期停电预测方法、存储介质及设备 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN110991474A (zh) | 一种机器学习建模平台 | |
| CN116011883B (zh) | 一种金融风控决策规则的调优方法、系统及存储介质 | |
| CN112966865B (zh) | 携号转网预测方法、装置及设备 | |
| CN111598457B (zh) | 一种电力无线网络质量的确定方法及装置 | |
| CN110796485A (zh) | 一种提高预测模型的预测精度的方法及装置 | |
| CN115357764A (zh) | 一种异常数据检测方法及装置 | |
| CN115713403A (zh) | 基于自编码神经网络的企业风险识别方法、装置及设备 | |
| CN114862092A (zh) | 一种基于神经网络的评标方法及设备 | |
| CN113537693A (zh) | 人员风险等级获取方法、终端、存储装置 | |
| CN115271282A (zh) | 基于模糊逻辑的客户价值确定方法及装置 | |
| CN113077271A (zh) | 一种基于bp神经网络的企业信用评级方法及装置 | |
| CN112801231A (zh) | 用于业务对象分类的决策模型训练方法和装置 | |
| CN112950048A (zh) | 基于模糊综合评价的国家高等教育体系健康评价 | |
| CN116739742A (zh) | 信贷风控模型的监控方法、装置、设备及存储介质 | |
| CN115660425A (zh) | 风偏闪络风险评价方法、系统、设备、可读存储介质 | |
| CN115660720A (zh) | 一种卷烟销量预测方法及设备 | |
| CN115630708A (zh) | 一种模型更新方法、装置、电子设备、存储介质及产品 | |
| CN114861800A (zh) | 模型训练方法、概率确定方法、装置、设备、介质及产品 | |
| CN115330526A (zh) | 一种企业信用评分方法及装置 | |
| CN113643125A (zh) | 一种授信额度测算方法、设备及介质 | |
| CN113313582A (zh) | 拒客回捞模型训练方法、装置及电子设备 | |
| CN112733729A (zh) | 模型训练、回归分析的方法、装置、存储介质和设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |