第三章 工程项目建设前期的投资控制.ppt

②建立造价估算模型。这里采用三层模型，选择sigmoid函数为节点输出函数；取模型的输入单元为8个：隧道长度、围岩类别、TBM类型、工时利用率、衬砌类型、喷锚支护、道床类型 ，分别用I1 –I8 表示；输出单元1个，为单位成洞m造价，用O1，O2表示。隐层单元为2×8+1=17个，初始权值是（-1，1）之间的随机数。 根据输入-输出映射复杂程度，共收集训练样本15个，测试样本4个，用matlab6.5中提供的BP网络函数构造模型。表3-2中列出了19个隧道工程特征数量化数据、CSIs单位米造价和csf。 ③构建BP网络主要过程 构建BP网络主要过程如下: a.将输入向量I1 -18 ,输出向量O1 ,O2 中数据标准化。标准化方法为： 其中Xij 为原向量数据，X/ij 为标准化后数据，用X/ij代替Xij 。 b.构建BP网络，输入参数为8个输入单元，17个隐层单元，1个输出单元，其余为默认值。 c.训练BP网络，将1-15个工程数据作为训练样本，最大迭代次数200次，容许误差10-12。 d.将第16-19个工程数据周围检验样本，作为训练后神经网络的输入。 e. O1训练过程如图3-1所示。 f.用收敛后的网络对16-19组数据进行预测，由于神经网络对预测结果不唯一，应将其预测值与实际值进行比较；对显著性因子按同样方式预测。表3-3为对01，02预测结果的比较。01 /02 即为预测的每单位成洞m的造价估计值（万元/成洞m）。 注意: a.对历史工程不同工程特征的CSIs和csf数据的整理应能满足造价估计精度要求。 b.虽然BP网络每次给出的预测值不同，具有一定随机性，但多次运算之后，通过求均值可以消除这种随机性。由表3-3可见，求均值后的预测值与实际值的误差很小（≤±5%），完全能够满足投资估算精度要求。 100 10-2 10-4 10-6 10-8 10-10 10-12 0 5 10 15 20 25 30 实际误差0.9558×10-12,目标误差10-12 迭代30次 图3-1 BP网络收敛过程示意图 表3-3 结果分析表 样本序号 16 17 18 19 O1预测值 1.578 1.471 1.033 0.92 O1实际值 1.607 1.406 1.019 0.941 O1相对误差（%） -1.79 4.64 1.38 -2.27 O2预测值 0.806 0.800 0.800 0.798 O2实际值 0.820 0.831 0.807 0.789 O2相对误差（%） -1.71 -3.78 -0.94 0.56 预测WLC 1.958 1.839 1.291 1.153 实际WLC (Whole life cost) 1.960 1.692 1.263 1.193 相对误差（%） -1.02 8.69 2.22 -3.35 （四）一定历史数据下的模糊聚类（Fuzzy Clustering，FC）法估计投资额（造价） 1.已完工程项目聚类分析和待估工程项目归类 （1）已完工程项目的数据分类 工程项目的工程特征主要体现在以下几方面： ①工程类型（包括隧道、桥梁、路面、土石方等）； ②工程规模和技术复杂程度； ③施工方法； ④地质条件； ⑤工作内容； ⑥工程费用； ⑦其他等。 根据已完数据采用模糊聚类方法，按工程特征及所具有的代表性，对大量已完工程样本有选择性地进行同类型数据合并，实现决策数据的提取。设已完工程样本集X中有n个样本，其中每个样本有S个特征，采用模糊聚类方法进行分类。 通过模糊聚类分析可以得到以上相应七个工程特征的已完工程数据文件；对上述文件还可以进行进一步分析，包括各项费用指标的分析，对造价变化的测度，对某些参数调整后造价的影响。 （2）待测工程项目分类 已完工程项目分类完毕后，需要对待测项目归类，待测工程确定为哪一类工程项目，就按哪一类已完工程项目为样本进行工程造价预测。如无类似工程项目，则进行类似CSIs判别。 ①获取已完工程或CSIs各聚类中心的工程特征量化指标； ②确定待测项目或其CSIs的各个工程特征量化指标。  ③根据以上量化指标，计算待测项目或其CSIs与各个聚类中心的距离（一般选用欧式距离），进而计算出拟建项目对各个类别的隶属度。 待测项目X和同类工程Y特征编码的欧式距离为 贴近度计算公式为： 其中， x与y为工程特征评分数据；n为工程特征数量。  ④确定参照项目。根据贴近度最大的原则对项目归类，可从该类中选择贴近度最大、次大两个项目A，B或若干个项目为参照项目。 2.工程造价模糊测算 (1)类似工程的时间调整和系数调整 对于