基于BP网络的大型水电项目投资估算模型研究.docVIP

基于BP网络的大型水电项目投资估算模型研究 　　The Cost Estimation Research for Large-sized Hydropower Project Based on the BP Neural Network 　　 　　Yu Xiaowei； Du Zhida 　　（School of Civil Hydraulic Engineering of Dalian University of Technology，Dalian 116024，China） 　　 　　摘要： 本文综合分析了大型水电工程的主要特征，并将这些特征和它的工程造价联系起来，构建了基于BP神经网络的水电工程造价估算模型。在模型的实现上，利用MATLAB语言对模型进行了训练、仿真和测试，并用工程实例对模型进行了验证，结果表明该模型具有较好的泛化能力，能够较准确地估算工程造价。 　　Abstract: The main characteristics of large-sized hydropower project are analyzed, and these characteristics is connected with its engineering cost, based on BP neural network of hydropower project cost estimation model is constructed. In the model, MATLAB language is trained, simulated and tested to the realization of model，and engineering examples are validated the model. The results show that the model has better generalization abilities able to accurately estimate of the project cost. 　　关键词： 工程造价估算 BP神经网络 水电工程 模糊数学 　　Key words: cost estimation；BP neural network；hydropower project；fuzzy mathematics 　　中图分类号：F293.35 文献标识码：A文章编号：1006-4311（2011）15-0084-01 　　1模糊数学与神经网络结合[1][2]选取样本 　　本文在参考文献3的基础上搜集国内大型水电站资料，根据文献1模糊数学的方法对原始数据进行筛选，选出符合要求的三十个样本作为建立本文BP神经网络模型所要用的训练样本。 　　1.1 工程特征的选取通过对所搜集到的资料和相关数据的分析以及对专家的咨询，可以判断影响水电工程总工程造价的因索有：所在地、坝型、坝顶高程、坝长、地震基本烈度、地基状况、电站装机容量、水库总库容、引水道断面、年发电量、淹没耕地、移民、工程量。 　　1.2 水电工程造价估算模型工程特征的量化结果把非数值型工程特征所在地（1-华北2-东北3-华东4-中南5-西南6-西北）、坝型（1-混凝土双曲拱2-土质心墙堆石坝3-重力拱坝4-混凝土面板堆石坝5-土石坝）量化，并且对其进行处理，得到所有样本的工程特征量化结果。 　　2基于BP神经网络的造价估算模型的建立 　　2.1 BP神经网络模型BP神经网络包括输入层、输出层和隐层。建立一个BP神经网络模型，就是要确定其的输入层、输出层和隐层。根据G.Cybenyo等人的证明，具有一个隐层的三层BP神经网络，只要隐层的节点足够多，就能以任意精度逼近有界区域上的任意连续函数。本文建立一个带有一个隐层的三层BP神经网络模型来对工程造价进行预测。 　　2.2 确定参数输入层节点数由输入样本数据的特征数量决定，本文为十三个工程特征（如表1所示）；隐层节点数至今还没有成熟的确定方法，本文隐层节点数选6个；输出层节点数由样本的目标数据决定，本文输出层节点数只有一个为工程造价。 　　2.3 确定节点转换函数BP神经网络模型中的激活函数通常取可微的单调递增函数，MATLAB6.5工具箱提供了3种传递函数Log-sigmoid.Lan-sigmoid和线性函数。本文为隐层所有节点选择Lan-sigmoid作为转换函数，而输出层采用线性函数。 　　2.4 BP网络的训练与测试[4]训练的次数越多，其精度越高，则神经网络对训练样本的拟合就越好。但如果训练精度过高的话，就会出现训练过度，此时虽然对输入数据拟合得很好，但是模型的泛化能力并不好。本文选择训练目标为0.001。样本数据一部分用来训