基于人工神经网络工程估价预测应用研究.docVIP

基于人工神经网络工程估价预测应用研究 　　 摘要：在建筑工程估价中，人们利用传统的计算工具来计算工程造价，已经不能适应信息化迅速发展的时代，人们迫切需要一种新的方法来代替原来的传统的计算方法。一个有经验的预算师或者估算师，根据某个工程的类别、特征，参照已建工程的数据资料，运用某种方法就能较准确地计算出该工程的造价，误差比较小，这种专家的大脑思维方式值得我们学习。本文引入人工神经网络中的BP网络模型，介绍该模型工程估价的计算过程，指出该模型可对不同情况的工程造价进行合理的预测，并能取得良好地效果，为工程估价带来巨大变化。 　　关键词：工程估价 人工神经网络 BP网络 估价预测 　　中图分类号：TN711文献标识码：A 文章编号： 　　1 前言 　　随着信息技术的日新月异，工程造价的传统管理方式已经跟不上时代的发展。工程造价管理信息化作为建设工程领域信息化的一个重要组成部分，将在工程造价管理活动中发挥重要作用，成为工程造价管理活动的一个重要支撑，并主导未来工程造价管理活动的发展方向。在工程造价信息量急剧增加且不断变化的过程中，工程造价管理信息化面临着挑战与创新，急需运用一种新的估价方法来替代传统的估价方法，来打破传统估价方法存在的种种弊端。 　　人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。近几年，它开始被广泛应用于建筑工程领域。由于它分布式存储、并行处理和自适应学习的特点，可以直接使用样本数据实现输入层与输出层之间的非线性映射，而不需要建立精确的计算方程，非常适用于难以建立数学模型但易于收集学习样本的问题。目前，一些学者和工程设计人员尝试运用神经网络方法进行结构的初始设计、结构优化及结构选型等工作，取得了满意的效果。 　　传统的工程估价参考以往类似的工程数据，运用一定的模型进行计算，这种方法要考虑到诸多复杂因素的影响，以及运用传统的工具计算关联性不强，这些工具基本上都局限于各自狭小的功能范围，缺乏连贯性和整体关联性，解决的问题都比较单一，也就是比较的静态，这些缺点的存在，使得计算出的数据难以达到人们满意的精确程度，所以对以后的工程应用参考价值不大。而人工神经网络对难以精确描述的复杂非线性对象建模、计算或推理都很容易，因此可以利用人工神经网络模型，快速估算工程造价。 　　2 BP神经网络模型原理 　　BP神经网络是在1958年，由Rume Chart等人提出的反向传播算法基础上发展起来的，是典型的多层次反馈型网络。BP神经网络由三个神经元层组成，最下层称为输入层，中间层称为隐含层，最上层为输出层。各层次的神经元之间形成全互连连接，各层次内神经元之间没有连接，在训练时每个训练样本由输入样本和理想输出对组成，训练样本中的输入样本是与某时间段中的值相联系的前m个己知值，理想输出样本为此时间段中的实际值。当网络的所有实际输出与理想输出一致时，表明训练结束。否则，网络向前运行产生一个实际值集合，应用反向传播建立新权值集合，即修正权值，使总误差减小，经过多次迭代，使网络的理想输出与实际输出一致。然后进行预测，把与要预测的时间段相联系的前m个数值作为输入样本，输出即为要预测的将来此时间段的值。 　　3 工程估价神经网络模型的建立 　　人工神经网络模型目前已经有近40种，具有反向学习功能的多层前馈神经网络（BP神经网络）是目前应用最广泛的神经网络，因此，选用具有单隐层的三层前馈网络建立工程估价神经网络模型。 　　神经网络模型的建立，需要根据建筑工程的类别，确定影响其造价的主要因素作为输入层，对于一栋多层住宅楼来说，其工程特征有：单层建筑面积、层数、层高、户型、平面形状、结构类型、地基类型、埋深、屋面防水、楼梯类型、内外粉刷、门窗种类等。所以，将这些影响因素从输入层输入，输出层为该多层住宅楼的单方造价 　　训练样本为( ， )，k=1，2，…，m为学习样本的个数。设输入模式向量为 =( )，理想输出为 ，而实际网络输出为 ，其具体计算过程为： 　　（1） 计算隐含层各单元的输入 ： 　　 　　其中，n为输入层单元数；为输入层至隐含层的连接权；p为隐含层单元数。 　　（2） 计算隐含层各单元的输出 ，输入信号x经过一个激发函数的处理，得到该单元的输出，该函数为： 　　 ，所以， 。 　　（3） 计算输出层单元的输入 ： 　　 　　其中， 为隐含层至输出层的连接权。 　　（4） 计算输出层单元的输出 。 　　（5） 计算样本的总误差E： 　　使用平方差函数，其中 　　（6） 修正权值：神经网络模型的建立实际上就是经过大量的样本模型进行训练不断地修正权值，直