基于神经网络的工程造价估算方法及其Excel实现研究.docVIP

基于神经网络的工程造价估算方法及其Excel实现研究 　　摘 要 　　建筑工程的系统性和复杂性提升了工程造价估算的难度，基于神经网络的工程造价估算方法能够提升工程造价估算的准确性。本文从传统的工程造价估算方法入手，对基于神经网络的工程造价估算方法及其Excel实现进行研究。 　　【关键词】神经网络 工程造价 估算方法 Excel实现 　　在建筑行业不断发展的背景中，建筑企业面临的竞争压力越来越大。对于建筑企业而言，通过建筑工程成本的有效控制，实现所获经济效益的提升能够对自身市场竞争力的提升产生相应的促进作用。选择合理的工程造价估算方法具有一定的必要性。 　　1 传统的工程造价估算方法 　　应用传统工程造价估算方法进行估算，要求建筑工程的成本函数是一个具有确定性特点的数学形式，并且这个成本函数应该是对可利用历史数据的最佳拟合。这些要求对传统工程造价估算方法的精确度产生了不良影响，进而对该方法的实际应用产生相应的限制。 　　2 基于神经网络的工程造价控制估算方法及其Excel实现 　　2.1 神经网络的优点和应用 　　神经网络是由一定数量的并行处理单元组成的系统，不同处理单元的实际处理方式和连接强度是影响神经网络功能的主要因素。在神经网络中，不同神?元之间的相互作用可以实现处理信息的目的。神经网络具有时间连续性、高度非线性以及规模大的特点，神经网络包含优化计算、处理知识以及联想记忆等多种功能。神经网络在电子科技领域中的应用主要集中在图像和信号处理以及模式识别中。以某个500字符的代码段为例，该代码段可能是Python、Java或者C++。当需要通过程序的构造对该代码段进行识别编写时，构造神经网络的方法更加有效。 　　2.2 基于神经网络工程造价控制估算方法的合理性 　　神经网络的优势在于，它可以近似实现任意空间的数学映射。神经网络的这种特点使得它在需要辨识数据模式的困难任务中得到了广泛应用。神经网络可以分别对实时数据和历史资料进行训练，这种特点为神经网络在工程造价估算中的应用提供了可能。 　　2.3 神经网络电子表格模拟程序 　　神经网络电子表格模拟程序主要包括以下几个步骤： 　　2.3.1 输入输出信息模块 　　在该模型中，主要包含基础基础类型、结构类型、建造年份、工期、建址、层高、层数、内、外装修门窗共9个输入单元，还包含每平方米造价这一输出单元，以及4个测试样本和6个训练样本。为了将输入单元、输出单元的数据更好地展示出来，可以在Excel中建立一个表格。 　　2.3.2 输入数据初始化 　　当表格构建完成之后，可以将相关数据输入进行，为了便于神经网络对数据进行合理处理，需要将表格中第一个模块中的输入数据调整至[-1，1]范围中。当第一个模块构造完成之后，为了简化第二个模块的构造时间和步骤，可以利用线性公式对第一个模块的参数值进行合理调整，这个过程中使用的线性公式如下所示。 　　2.3.3 构建权重模块I 　　就输出节点、输入节点以及隐层节点之间的数目关系而言，输出节点与输入节点数量之和的一般是隐层节点的实际设置数目。在权重模块中，需要将所有的数值初始化为1.0。 　　2.3.4 当权重模块I构建完成之后 　　需要考虑隐层节点的输出模块。这个步骤主要需要根据神经网络的操作模型进行。 　　2.3.5 构建权重模块II 　　该模块的构建步骤与第三步中的做法相同，但在这个模块中，需要在单一的输出节点和隐层节点之间建立连接。 　　2.3.6 神经网络的最终输出 　　这个步骤与第四步类似。 　　2.3.7 对神经网络的输出值进行反调整，并对误差进行有效计算 　　神经网络输出值的反调整范围集中在初始赋值范围中。 　　2.4 神经网络的训练过程 　　当神经网络电子表格模拟完成之后，需要对神经网络进行训练，也可以将这个过程看成是权值的优化过程。由于权值优化过程具有一定的复杂性特点，因此可以将Excel中的Solver程序应用到这种预测方法中，与其他算法相比，这种算法的优势表现为可以直接在表格中运行，简化了操作步骤，实现该预测方法掌握难度的有效降低。运用这种预测方法进行操作可以发现，网络运行结果满意，应用这种预测方法的预测误差小于0.4%。 　　2.5 分析参数变化对模型预测结果的敏感性 　　用户通常无法确定能够对特定工程进行精确描述的特征因素是什么，因此，为了保证模型的实用性，需要对参数变化对模型预测结果的敏感性进行有效测定。测定参数变化对模型预测结果敏感性的较为复杂，首先，用户需要将工程中无法肯定的某一特征因素或几个特征因素的组合选择出来，然后使用户选取的参数在初始值周围逐渐变动，并将参数变动范围控制在25%之内，为了更好地对参数对模型预测结果的敏感性进行分析，需要对样本资料的数