基于神经网络的工程造价估算研究.docx

?

?

基于神经网络的工程造价估算研究

?

?

林骁元

摘要：通过研究工程造价的构成及其影响因素，利用神经网络有效处理多输入多输出非线性映射的优点，将工程主要特征量作为网络的输入量，工程造价作为输出量，建立了基于神经网络的工程估价模型。收集了某核电厂若干BOP电气工程作为样本，将训练好的网络用于某BOP子项电气工程的造价预测，经测算其精度满足要求，能够用于工程快速估算。

Abstract：Bystudyingtheconstitutionofengineeringcostanditsinfluencingfactors，usingadvantagesofneuralnetworkstoeffectivelyhandlethemulti-inputmulti-outputnonlinearmapping，themainfeatureoftheprojectistakenastheinputofthenetwork，andtheprojectcostisusedastheoutput，anengineeringevaluationmodelbasedontheneuralnetworkisestablished.AnumberofBOPelectricalprojectsinanuclearpowerplantwerecollectedassamples，andthetrainednetworkwasusedtopredictthecostofacertainBOPsub-itemelectricalproject.Theaccuracywasmeasuredtomeettherequirementsandcouldbeusedforrapidprojectestimation.

关键词：神经网络；工程造价；估算模型

Keywords：neuralnetwork；projectcost；estimationmodel

：TP183；TU723.3：A：1006-4311（2018）27-0077-04

0引言

在整个建设工程周期中，建设前期的工程造价估算对整个建造成本的控制，起着关键的作用。造价估算是整个成本管理过程的起点，是成本控制的基础，因此寻找一套快速、便捷、实用的工程造价估算方法已成为一种迫切的需要。[1]而神经网络作为人工智能常用的一种方法，具有学习、记忆、联想、归纳、概括和抽取、容错以及自适应的能力，已在很多领域都得到广泛的应用。本文针对工程造价估算问题，结合神经网络的优点，尝试采用基于神经网络的工程造价估算方法。

1神经网络简介

神经网络多种多样，本文以应用最为广泛的误差逆传播人工神经网络（BackPropagationArtificialNeuralNetwork，BPANN）即BP神经网络作为模型。

1.1基本原理[2]

BP神经网络由多个神经元组成，见图1（a），分为输入层、隱含间和输出层，工作分为训练和预测两个阶段，在训练阶段，修正权值和获得映射关系固定权值，预测阶段计算并输出结果。学习阶段分为两部分，一部分是输入信号经过隐含层到达输出层为正向传播，另一部分是当实际输出与样本的希望值不一致时，系统自动算出输出误差，是误差反向传播，误差信号由输出层沿原路逐层向前反馈。网络层之间的联接权值由误差调节并修改，最终使误差达到最小值。在模拟中，经过大量样本的训练，权值被固定为定值，见图1（b）。

1.2神经网络的学习算法[3]

BP算法的学习由四个过程组成：输入模式由输入层经隐含层向输出层的“模式顺传播”过程；网络的希望输出与网络实际输出之差的误差信号由输出层经隐含层向输入层修正连接权的“误差逆传播”过程；由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程；网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程，即“模式顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”四个过程，这四个过程可以进一步合并为“正向传播”和“反向传播”两个过程，算法描述如下：

1.2.1正向传播，计算实际的输出yj

上式中，n是结点j的输入结点个数，xi是第i个输入结点的输出值，Wij是第i个输入结点到结点j的权值，i=0时，Wij和xi分别代表阈值和1。

1.2.2反向传播，修改第K层结点的权值和阈值的公式：

上式中，xj是结点j的实际输出值，m是结点j的输出结点个数，Wij是结点j到下一层的连接权值和阈值。

由于BP算法采用的是梯度下降法，即训练过程从某一起点