基于BP神经网络工程快速估价方法探究.docVIP

基于BP神经网络工程快速估价方法探究摘要：工程快速估价是投资决策的重要内容，同时工程估价还是工程造价控制的前提，是工程项目可行性研究的前提，也是招投标制定标底的依据，而工程概预算编制方法存在速度慢，周期长等缺点，针对同类别的工程的各项主要影响因素进行分析，应用BP神经网络理论，建立工程快速估价模型，编写MATLAB程序，可省去大量的繁琐计算，为快速做出工程估价提供新的方法。 关键词：神经网络、BP算法、工程快速估价 引言 现在经济的快速发展，建筑市场的管理机制逐步完善，大中型工程复杂，施工周期长，对施工方柱子投标阶段及时准确的做出项目的最终成本成为工程造价管理中重要内容，本文中应用神经网络原理，通过编写MATLAB程序，针对多层现浇框架混凝土写字楼，通过调整计算权值，计算反向传播误差，输出计算结果和绘制误差曲线误差，将误差控制在10%以内，从而对2011年进行预测。 1基于神经网络预测原理 1.1正向建模[3] 正向建模是指训练一个神经网络表达系统正向动态的过程，这一过程建立的神经网络模型称为正向模型。正向模型的结构如图4-1所示，其中神经网络与待辨识上网系统并联，两者的输出误差用做网络的训练信号。显然这是一个典型的有教师学习问题，实际系统作为教师，向神经网络提供算法所需的期望输出。当系统是被控对象或传统控制器时，神经网络多采用多层前向网络的形式，可直接选用BP网络或其它的各种变形。当系统为性能评价器时，则可选取再励学习算法，这时网络既可以采用具有全局逼近能力的网络，如多层感知器，也可采用具有局部逼近能力的网络，如小脑模型关节控制器（CMAC）等。 1.2BP神经网络结构 BP神经网络是一种具有三层或三层以上神经元的神经网络，包括输入层、中间层和输出层，上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减少目标输出与实际输出之间误差的方向，从输出层反向经过各中间层回到输入层，从而逐层修正各种连接权值，即“误差反向传播算法”，即BP算法。 2基于BP神经网络的工程快速估价方法 2.1BP网络结构 房屋建筑的任何一个特征都会影响到总的预算，论文中选取了写字楼类建筑物为例进行研究，选定现浇钢筋混凝土框架结构多层写字楼，基础类型、楼面工程、墙体工程、门窗形式、房间组合、层数、外墙装饰共计七个对工程造价起主要影响作用的因素，将这些因素作为神经网络的输入向量，建立神经网络模型，首先进行网络训练，这时的BP网络共计三层，其中输入层含有7个变量，中间层采取常用经验公式得到15个，输出为1个变量即为写字楼的单平米造价。 2.2数据归一化处理 程序调用数据之前，为保证所有的数据均落在[0,1]之间，首先需要进行归一化处理，论文的程序中采取的归一化处理方式是使每一影响因素中同时处理这一因素中的最大值或偏大于最大值，处理后的数据调入程序后，更方便计算，同时使得误差更小。 2.3BP网络程序实现 论文中的数据是搜集到的已建现浇混凝土框架结构写字楼工程的工程造价数据，选取30组作为测试样本，其中的20组作为预测样本，通过进行误差的求解和绘制误差曲线得出结果，过程见图2-1 function main() SSE1=0; DelthadW1Ex=0; DelthadW2Ex=0; SamNum=30; TestSamNum=20; HiddenUnitNum=15; InDim=7; OutDim=1; %显示计算结果 i W1=W1Ex(:,1:InDim) B1=W1Ex(:,InDim+1) W2 B2=W2Ex(:,1+HiddenUnitNum) 相对误差a： a = 0.1080 0.0902 -0.0148 -0.0227 0.0327 0.0198 0.0096 0.1182 0.0164 0.0857 -0.0221 0.0794 -0.0368 0.0260 0.0306 0.0338 0.0562 0.0467 0.0736 0.0638 误差曲线： 3结论 应用BP算法，通过编写MATLAB程序，如果搜集得到的历史数据真实，通过调整权值，能够将误差控制在10%，能够很好的解决工程快速估价问题。 参考文献: [1] 段晓牧. 基于RBF神经网络的非确定性工程投资估算新方法的研究.[D] [2]羊英姿.市政工程造价估算方法的研究.西南交通大学.[J] [3]葛哲学 孙志强.神经网络理