计算机智能理论及应用.docVIP

课程名称： 计算机智能理论及应用 课程编号：S022D15 课程类型： 非学位课 考核方式： 考查 学科专业： 结构工程 年 级： 10级 姓 名： 崔曙东 学 号： 10076100061 河北工程大学20 ～ 20 学年第 学期研究生课程论文报告 课程论文评语： 成 绩 评阅教师签名 评阅日期 年 月 日 浅议BP神经网络在建筑工程造价中的应用 摘要：在建设项目工程中造价估算是一项十分重要的工作，根据神经网络的原理和工程造价估算的特点，通过研究工程造价的构成，特别是工程结构和主要分项工程的特征在工程造价中所起的作用，确定了主要因素，作为神经网络的输入变量，提出了基于BP神经网络的工程估价，共收集工程估价实例作为训练样本作为检测实例，经测算其精度基本可以满足实际工程投资估算的需要。因此：神经网络在这方面有很好的前景。 关键词：工程估价；神经网络；估价模型；算法 引言 确定工程造价是建设工作中十分重要的环，在不同的设计阶段有着不同的方法：如初设计阶段编制概算，施工图设计阶段编制预，而最为关键的则是在建设前期的工程造价算。因为工程的估算价是整个成本管理过程起点，是成本控制的基础。影响工程造价的因很多，而这些因素又具有不同的特征。目前，程估算模型主要有两类，一类是采用计算机拟技术建立模拟模型。模拟模型的基础认为，响工程造价的许多因素都是不确定的，因此应追求某个确定的值，而应估计实际造价落某个范围的概率是多少；第二类是采用人工能和知识库技术，建立工程造价估算专家系，但这种模型主要靠专家的知识对工程造价行估算，估算结果易受估算人员主观意识的响和经验、知识的局限，易带有个人偏见和片性，主观性较强。在瞬息万变的市场经济环境，探寻一套快速、简捷、实用的工程造价估算法已成为建筑行业的迫切需要。众所周知，工造价受多方面因素影响，其构成比较复杂，然一个有丰富经验的造价师，根据工程类型、特及其相关情况，参照以往经验和工程数据资，就能大致估算出其造价，而无需进行大量繁计算，而且经验越丰富，资料积累越多，估算造价就越准确。模仿这种大脑思维模式，正是工神经网络所擅长的。人工神经网络(Artificial Neural Network，称ANN)是20世纪80年代在生物神经系统究的启发下发展起来的一种信息处理方法，由大量简单神经元所构成的非线性系统，它用工程技术手段模拟人脑神经网络的结构和能，是处理复杂非线性问题的有效手段。因，利用神经网络方法建立工程造价估算模型有现实意义。神经网络模型通用性、适应性，它不但不排斥新样本，相反它会随着样本数不断增加而提高自身的概括能力和预测能。这正好满足了建立造价信息系统的要———动态地、自适应地从众多已完工程中提有用信息，进行预测并辅助决策。由于建筑工的单件性，一般不存在两个完全一样的工程，许多工程之间存在着某种程度的相似性，造估计分析的基本原理就是建立在建筑工程的似性基础上。 1 BP神经网络模型构造与算法 1.1人工神经网络的基本原理 BP神经网络结构是由D·E·Rumelhart等组成的PDP(ParallelDistributed Processing)小于1985年提出的一种神经网络模型，它通过差反向传播来消除误差，并具有输入层、隐含层、输出层三个层次。在训练中通过计算输出值与期望值之间的误差，来求解输出层单元的一般化误差，再将误差进行反向传播，求出隐含层单元的一般化误差，调整输出层和隐含层及输入层之间的连接权与隐含层、输出层的阈值，直到系统误差可以接受为止。此时的权值、阈值不再改变，由此可以测出类似项目的未知信息。 1.2 BP神经网络模型的建立步骤 1.2.1确定BP神经网络模型结构参数，即确定模型输入层、隐含层、输出层的神经元个数。 1.2.2原始数据规范化和隐含单元输入模块。由于神经网络只能处理-l～l之间的数据故在输入网络时需对原始数据进行规范化处理，对于隐含单元，各个单元输入信息加权求和后得到该单元的输入信息。 1.2.3隐含单元输出模块 根据神经网络的操作模型，该net信号经过一激发函数的处理得到该隐含单元的输出值。 1.2.4输出节点输入模块 对于输出单元节点，前一层的各隐含层单元输入信息加权求和后得到该单元的输入信息。 1.2.5神经网络的最终输出与第三步相似，神经网络的输出值是把net。代入输出层的激发函数得到。 1.2.6权矩阵的调整(误差传播分析) 人工神经网络可以近似实现任意空间的数学映射。若神经网络输入单元数为M，输出单元为N，则在m维欧式空间尺中有一个有界子集A，存在着一个到n维欧式空间R中一个有界子