BP神经网络在房屋批量评估中的应用（软件技术毕业资料）.docVIP

BP神经网络在房屋批量评估中的应用（软件技术毕业资料） 文档信息 ： 文档作为关于“IT计算机”中“人工智能”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7331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：BP神经网络在房屋批量评估中的应用 2 0 引言 2 1 BP神经网络理论 2 2 基于BP网络估价模型的构建 3 3 应用研究 4 4 结束语 5 文2：BP神经网络在疾病预测中的应用 6 1 BP神经网络基本结构及BP算法基本原理 6 2 BP网络的建模过程及模型设计要点 7 3 其它需要注意的问题 9 4 模型拟合实例 10 5 讨论 12 参考文摘引言： 12 原创性声明（模板） 13 文章致谢（模板） 13 正文 BP神经网络在房屋批量评估中的应用（软件技术毕业资料） 文1：BP神经网络在房屋批量评估中的应用 作者简介：李菊（1989-），女，云南大理人，昆明理工大学硕士研究生，主要从事不动产评估；杜葵（1965-），男，云南昆明人，昆明理工大学教授，硕士生导师，主要从事不动产评估工作。 0 引言 从2003年10月十六届三中全会提出“条件具备时对不动产开征统一规范的物业税，相应取消有关税费”开始，房产税的开征受到社会各界的广泛关注[1]。而房产税的开征，意味着每年将对百万宗甚至更多的房屋进行税基评估。如何在规定时间内对全国如此规模数量的房屋进行有效、快速的评估，且体现纳税人之间的公平，是房产税改革面临的关键性问题。传统的单宗评估，无法满足短时间内对大批量房地产进行快速、准确、低成本评估的要求，且在实际运用过程中均存在不同程度的局限性[2]。目前，随着计算机技术的发展，批量评估技术在许多发达国家已经发展成熟，如AVM（自动评估模型）技术的发展。因此，本文根据房地产评估的特性，结合BP神经网络理论，构建基于BP神经网络的批量评估模型，以有效解决房产税改革面临的问题。 1 BP神经网络理论 人工神经网络（AN）是一种基于连接学说构造的自能仿生模型，是由大量神经元构成的非线性动力系统[3]。它的信息处理功能是由网络单元的输入输出特性、网络的拓扑结构、连接权的大小和神经元的阈值等所决定的[4]。房地产价格受多种因素的影响，难以鉴定其各影响因素之间服从某种数学关系，将神经网络引入房地产估价领域，不需要提前设定各影响因素与价格之间的关系，只需将收集到的样本影响因素及成交价格进行数据化及标准化处理，输入已构建好的网络模型进行误差训练，只要模型的运行结果达到预先设定的误差之内，且经测试合格，则该模型即可用于评估同区域内大规模类似房屋的价格。 BP神经网络是目前应用最为广泛的一种按误差逆传播学习算法的前馈神经网络，其训练过程是“正向计算输出——反向传播误差”不断重复的过程，直至误差降低到可以接受范围，网络的训练过程也就随之结束[5]。其结构为首尾各一层，分别为输入层和输出层，中间层也叫隐含层，可以根据模型的复杂程度设为一层或多层。 基于BP神经网络的房地产估价程序为：先收集近期已成交房屋案例的数据，一部分数据作为模型的输入进行训练，训练不成功则重新构建模型，直至训练成功为止。将剩余数据进行模型的测试，测试合格，才可用于大规模类似房屋价格的评估。从以上可知，网络模型的构建决定网络运行结果，是整个流程中最为重要的部分。图1描绘了基于BP神经网络的房地产估价流程图。 2 基于BP网络估价模型的构建 估价指标体系的构建及其量化标准 本文以城市住宅为研究对象，构建住宅类的价格评估模型。影响城市住宅价格的因素较多，归结起来可以分为3类，分别为：个别因素、区域因素和一般因素。在一定时期内，宏观环境较为稳定，一般因素对个体价格差异的影响较小，所以可以将一般因素剔除不计，重点分析个别因素和区域因素对房价的影响。通过查阅文献，归结出9个因素：地段等级、交通状况、配套设施、环境质量、建筑结构、成新度、装修情况、朝向、楼层。 在因素评分中，可根据专家打分法，先将特征因素从好到坏分为5个等级：优、较优、一般、较差、差。再将其进行量化处理，可分别赋值为1、、、、0，介于上述等级之间的，可根据具体情况赋值。文中所收集数据样本来源于昆明市西山区已成交案例。在收集样本过程中，为保证数据质量，尽量收集近期已成交案例，时间间隔不超过1个月，且已经排除非正常交易案例，故文中不考虑房屋价格受交易情况及交易时间的影响。 网络的输出要求为0～1之间连续的数值，而收集到的价格为实际成交价格，为使之与网络输出相一致，应对成交价格进行数据标准化处理。本文所采用的数据