人工神经网络在建筑工程造价确定中的应用研究.docxVIP

摘要：本文通过?BP?神经网络对工程造价估算模型进行了构建，对神经网络进行样本训练， 网络逼近能力取得了很好的效果，达到了对工程造价的快速估算的目的。本文还结合?Vague 集贴近度理论对工程总造价进行控制，通过工程实例对模型的可行性进行了分析，为建筑行 业快速报价提供了理论依据。 关键词：?神经网络；工程造价；Vague?集贴近度 0?引言 对建筑工程造价进行科学有效的测算和控制，会使工程造价的组成比较合理，进而节约 工程开销成本。现在，经典的建筑工程造价测算方法主要有下面几种：定额法、类比工程法、 回归分析法和模糊数学法[1]。其中，定额法必须对定额成本、定额差异和定额变动差异进行 单独核算，任务较重，现实中很难实施；类比工程法是通过类比工程的相似性实现工程造价 的测算，该方法估算准确度不够高；回归分析法的估算准确度同样不高，该方法将很多重要 因素忽略了；模糊数学法是通过模糊数学的思想对工程造价进行估算，该方法的不足主要是 特征隶属度不好准确确定。由于人工神经网络可以自学并进行推理，本文通过人工神经网络 和?Vague?集贴近度理论对住宅楼的工程造价进行估算和控制，可以为建筑工程造价估算提供 很好的服务。 1?BP?神经网络 BP?神经网络是一种前馈型神经网络，包含三种层次或者多层次，各种层次之间相互连接， 同一层次可以自由结合，BP?神经网络的构成见图?1。所属模型的神经元数量决定了?BP?神经网 络的层数，各个层次之间通过相互的权值实现联接[2]。 人工神经元（Artificial?Neuron）模型： 人工神经元是神经网络的基本元素，其原理可以用图?2?表示。 图中?x1～xn?是从其他神经元传来的输入信号，wij?表示表示从神经元?j?到神经元?i?的连 接权值，θ?表示一个阈值（threshold），或称为偏置（bias）。则神经元?i?的输出与输入的关 系表示为： BP?神经网络的结构非常简洁，包括正向传播和逆向传播。下面分别对?BP?神经网络信息 的正向传播和误差信息的反向传播原理进行介绍。 1.1?信息的正向传播 式（1）中，n?为信息的总个数。 1）输入向量为 多层神经元网络（BP?网络图?3）。 BP（Back?Propagation）神经网络，即误差反传误差反向传播算法的学习过程，由信息 的正向传播和误差的反向传播两个过程组成。由图?3?可知，BP?神经网络是一个三层的网络： 输入层（Input?Layer）：输入层各神经元负责接收来自外界的输入信息，并传递给中间 层各神经元； 隐藏层（Hidden?Layer）：中间层是内部信息处理层，负责信息变换，根据信息变化能力 的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的 信息，经进一步处理后，完成一次学习的正向传播处理过程； 输出层（Output?Layer）：顾名思义，输出层向外界输出信息处理结果。 2?建筑工程造价估算模型 2.1?BP?神经网络训练?建立?BP?神经网络模型，对工程特征向量进行归一化处理，可以开 始神经网络训练，目标是使网络性能函数极小化，实现非线性映射的目的。本文利用 Nguyen-Widrow?方法[5]对权值和阈值的初值进行确定。Nguyen-Widrow?方法具体原理为 上式中，W?是数值矩阵，θ?是权值矩阵，S、N?是节点的个数。rand（S，N）为?s?行?n?列 的平均自由分布任意矩阵，I（S，N）为?s?行?n?列标准矩阵。 2.2?BP?神经网络训练调整与测试?BP?神经网络训练调整与测试连接强度加权值调整方法， 具体公式为： 同BP?算法在按步骤经行的收敛过程中，每一步的学习率都将发生变化，而不是固定不变。 同 此时?BP?神经网络不应用连接强度加权值的调整方法，?时也不使用误差函数对梯度调整和η 调整方法；最终应用相对权重增加量Δ?wij?进行网络调整与测试，权值?wij?的修正值Δ?wij， 如下所示： 以上的分析表明，运用?BP?神经网络进行建筑工程单方造价估算是可行的，然而该方法对 建筑工程项目总造价的估算还不够精确。当前建筑工程项目需要考虑的影响因素非常多，虽 然可以引入大量的特征因素，然而里面有很多因素都非常模糊化；即使可以对特征因素进行 具体说明，提高输入点的数量，这时样本数据会随着增加，此时神经网络将会复杂化，求解 效率会降低。所以，本文通过以上运用?BP?神经网络对建筑工程项目单方造价的估算，采用 Vague?集贴近度对?BP?神经网络进行改进，对建筑工程总造价进行估算[3]。 2.3?加入?Vague?集贴近度改进?BP?神经网络?文献[4]采用普通模糊集理论来对工程隶属度 进行确定。本文中建筑工程特征因素隶属度是指建筑工程特征值隶属于准备建设的项目特征 值的