基于RBF神经网络的工程成本控制研究.docxVIP

基于RBF神经网络的工程成本控制研究 20101-10 11:57:47 时代经贸 2017 年 19 期 刘婷婷+李晨 【摘要】冃前我国经济处于高速发展吋期，随着体制建设的不断健全与完善，各项经济技术指 标不断攀升。其中建筑行业的发展势头强劲，全社会的固定资产投资逐步增大，但随之而來的问题也 日渐凸显，其中投资失控严重化就是现阶段亟待解决的问题之一。因此合理控制建设项日投资成本显 得尤为重要。在此背景下本文提出基于RBF神经网络的工程成本控制研究，将神经网络技术与工程 成本控制有效结合，从而提高建设成本估算精度，更好的发挥建设工程的经济价值。 【关键词】工程成本；工程估算；估算方式；RBF算法 一、引言 在社会经济高速发展时期，投资管理的失控在固定资产投资不断积累的大前提下逐日显现。工 程建设整个全生命周期中，前期阶段耗费建设成本少但影响程度极高，且一般建设企业对前期控制缺 乏重视，导致工程成本的严重失控，故应将投资控制重心由施工阶段向前期投资决策阶段转移，但现 阶段投资决策所采取的传统工程造价估算方式已不能适应市场经济发展的需要，如何快速且准确的确 定投资估算，对建设项FI投资控制來说意义重大。在此研究背景下本文提出基于RBF神经网络的工 程成本控制研究，通过模拟人工智能建立一种新型估算成本模型，从而快速准确的得出成本佔算，为 投资决策者提供可靠的理论依据。 二、RBF神经网络理论 径向基(R adial Basic Function Neural—R BF)神经网络是二十世纪八十年代末由Darken和 Moody两位科学家提出并建立的一种三层前馈神经网络。它是一种可以模拟人脑局部调整、相互覆 盖接收域的网络拓扑结构，具有全局、最佳逼近性能的三层前馈网络(如图1 RBF神经网络拓扑结 构模型)。RBF神经网络结构上含有隐含层神经元到输出层神经元的权值线性关系，其训练过程快 速，不会发生局部最优问题，这些优点使得RBF神经网络具备良好的推广基础。大量研究结果表明: 只要有足够的隐节点径向基函数，RBF神经网络能任惫逼近多变量连续函数，是一种性能优良的神 ? Yn Xn ， ? 图1 RBF神经网络拓扑结构模型 经网络。 三、基于RBF神经网络的造价估算方法 （一） 问题描述 基于RBF神经网络的造价估算模型是在调查、搜集大量已建工程历史资料（数据）的基础上, 通过数据分析列出影响工程成本估算的主要工程特征，Z后利用徳尔罪法对相关特征的重要程度进行 排序。 选取目标特征应用RBF神经网络进行训练，神经网络训练完毕后，如果数据显示实验偏差在 允许误差值内，则证明此模型有效，可作为造价估算的有效工具应用于待建工程进行造价估算。 （二） 工程特征的选取 所谓工程特征是指能表征工程特点，且能反映工程主要成本构成的重要因素。工程特征的选取, 应参照历史工程资料的统计和分析，并根据专家的经验确定。通过对典型住宅工程的成本组成及建筑 结构参数变化对成本的影响进行分析，本文列出一些工程特征利用德尔菲法进行选取，确定将底层建 筑而积、标准层面积、建筑层数、基础类型、柱的数量、电梯数量、房间数量七种主耍因索作为工程 特征，其中基础类型为定性因素，其余为定量因素。这些参数是样本案例中占主导地位的成本驱动因 素，决定了建筑物形式上的特征和建筑物建筑结构材料的需用量。 将选取的特征因索加入神经网络算法，通过函数反复验证得出估算模型的具体参数，以此模型 为基础，在以后的工程项目中选取相关因素的具体值便能得出相对较精准的工程造价估算成本。 （三） RBF神经网络的训练算法过程 R BF神经网络的训练过程包括隐含层神经元的训练和输出层神经元的训练两个步骤。 （1）隐含层神经元训练过程采用无监督式训练聚类算法。 本质上隐含层的神经元主要是对输入向量的局部进行分析，决定隐层神经元的重要参数是高斯 型函数的宽度6和中心Cj。当輸入信号与某一隐层神经元的中心Cj最接近吋，神经元的输出最人。 随看信号与屮心距离的扩大，神经元的输出将会逐步减少。 完成聚类计算之后，便可以确定隐含层神经元的输出值，这种聚类算法是一种无监督式的训练 方法。 （2）输出层神经元训练过程采用有监督式训练算法。 本质上，输出层的神经元主要是通常采用最小二乘法来监督训练。下面进行输出神经元的瑕小 二乘法有监督训练步骤。 设神经网络的训练样本向量为{Xn, d （n） }, n=1, 2? , N,假定输出层仅有一个神经元，其 中XnRn为网络的输入数据矢量；N为训练样本数据量：d （n}Rn为网络的期望输出响应。 (D根据线性回归模型，网络的期望输出表达式为： (D d{n） =，p（刃）w; +e（n）（刃=1,2…，N; i=l, 2…，M） ■ I 上述隐含层和输出层的计算表明，RBF神经