基于地形的普通公路造价快速预测机制建设.docVIP

基于地形的普通公路造价快速预测机制建设.doc

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于地形的普通公路造价快速预测机制建设 文档信息 : 文档作为关于“建筑或环境”中“测绘”的参考范文,为解决如何写好实用应用文、正确编写文案格式、内容素材摘取等相关工作提供支持。正文5879字,doc格式,可编辑。质优实惠,欢迎下载! 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1:基于地形的普通公路造价快速预测机制建设 2 0 引言 2 1 多元非线性回归模型 3 2 实例分析 5 3 结论 7 文2:基于体素地形的优化研究 7 1体素的概念和特点 8 2地形系统的构建及改进 9 (1)DrawCall数量太多。 9 (2)三角形数量过多。 10 (3)视锥剔除效率低下。 10 (4)没有进行遮挡剔除。 10 (5)地形上物体不会受到AO的影响。 10 参考文摘引言: 11 原创性声明(模板) 11 文章致谢(模板) 12 正文 基于地形的普通公路造价快速预测机制建设 文1:基于地形的普通公路造价快速预测机制建设 Key words: topographic index;regression model;adjustment coefficient;cost 0 引言 普通公路工程作为非收费的基础性服务公路。由农村公路和普通国省干线公路组成,构成公路网的主体,在公路工程项目投资建设很大程度上依赖政府,融资较困难,因此普通公路的成本控制就极为重要。据国外一些专家研究表明:设计成本一般仅占投资建设成本的2~4%,但其对工程项目投资建设成本的影响程度可以达到75%以上[5]。设计质量、深度,功能等既会影响建设项目一次性投资,也会影响项目建成运营阶段的经济及社会效益。因此,控制设计阶段工程造价就是控制工程造价控制至关重要的一环。 在我国,设计阶段的造价控制研究处于快速发展阶段,目前各项研究还不系统,但其受重视程度在逐年提高。目前,国内外已经对造价影响因子及其估算模型的构建方面进行了一定研究,现阶段用于公路项目工程造价估算的方法主要有基于定额的工程造价估算方法、基于传统方法的工程造价估算方法、基于数学理论和计算机技术相结合的工程造价估算方法三种[6]。这些方法都是依据工程的特征值来构建相应的预测模型,这些模型多是控制投资估算的总造价,从而达到控制造价的目的,在实际运用过程中实用性较差。而且这些模型把大多把地形当作次要特征值进行考虑,但是在合理的设计理念下,地形对造价起着关键性的作用。非线性回归是基于掌握大量观察数据的基础上,通过数理统计方法建立因变量与自变量之间的回归关系函数表达式。回归分析中,当研究的因果关系涉及两个或两个以上自变量时,叫做多元回归分析。这种方法能够较好的反应多个自变量与变量间的非线性关系,模拟多个自变量之间相互作用。采用多元非线性回归建立模型预测造价模型简单,计算方便快捷,有较好的实用性,同时结合各种影响因素的调整系数,进一步提高模型预测精度。 1 多元非线性回归模型 非线性回归模型建立 非线性模型通常需转换成线性模型进行处理。经过线性转化的相关变量之间的关系可以是线性的,也可以是非线性的。本论文只讨论多元线性回归。设x1,x2,x3,…,xp是p个可以精确测量或可控制的变量。如果变量y与x1,x2,x3,…,xp之间的关系是线性的,那么独立重复的进行n次试验,则可得相互独立的n组数据: (yi,xi1,xi2,…xip),i=1,2,…n(1) 它们之间的关系可表示为: y1=b0+b1x11+b2x12+…+bpx1p+?着1 y2=b0+b1x21+b2x22+…+bpx2p+?着2(2) yn=b0+b1xn1+b2xn2+…+bpxnp+?着n 其中,b0,b1,…,bp是p+l个待估参数,?着i代表第i次试验中的随机因素对yi的影响系数。将此n个方程以矩阵形式表示如下: Y=BX+?着(3) 其中 X=■ Y=(y1,y2,…,yn)T B=(b0,b1,…,bn)T ?着=(?着1,?着2,…,?着n)T 式(3)就是p元线性回归的数学模型表达式。 最小二乘法确定系数B 通常采用最小二乘法来求解多元线性回归方程中的参数b0,b1,…,bp,即找出一个与数学模型的函数类型一致的近似函数,使得这个近似函数在已知的对应数据上尽可能和真实函数接近。设c0,c1,…,cp分别是b0,b1,…,bp的最小二乘估计,则多元回归方程可表示为: y=c0+c1x1+c2x2+…+cpxp(4) 其中c0,c1,…,cp叫做回归方程的回归系数。对每一组(yi,xi1,xi2…xip),i=1,2,…n通过回归方程计算出一个回归值■■。这个回归值■■与实际观测值yi之差,反映了yi与回归直线y=

文档评论(0)

szbalala + 关注
官方认证
文档贡献者

该用户很懒,什么也没介绍

认证主体深圳市巴啦啦科技有限公司
IP属地广东
统一社会信用代码/组织机构代码
91440300MA5FCP2R75

1亿VIP精品文档

相关文档