人工神經網絡在建筑工程造價確定中的應用研究論文

人工神經網絡在建筑工程造價確定中的應用研究論文

　　摘要：本文通過BP神經網絡對工程造價估算模型進行了構建，對神經網絡進行樣本訓練，網絡逼近能力取得了很好的效果，達到了對工程造價的快速估算的目的。本文還結合Vague集貼近度理論對工程總造價進行控制，通過工程實例對模型的可行性進行了分析，為建筑行業快速報價提供了理論依據。

　　關鍵詞： 神經網絡；工程造價；Vague集貼近度

　　0 引言

　　對建筑工程造價進行科學有效的測算和控制，會使工程造價的組成比較合理，進而節約工程開銷成本。現在，經典的建筑工程造價測算方法主要有下面幾種：定額法、類比工程法、回歸分析法和模糊數學法[1]。其中，定額法必須對定額成本、定額差異和定額變動差異進行單獨核算，任務較重，現實中很難實施；類比工程法是通過類比工程的相似性實現工程造價的測算，該方法估算準確度不夠高；回歸分析法的估算準確度同樣不高，該方法將很多重要因素忽略了；模糊數學法是通過模糊數學的思想對工程造價進行估算，該方法的不足主要是特征隸屬度不好準確確定。由于人工神經網絡可以自學并進行推理，本文通過人工神經網絡和Vague集貼近度理論對住宅樓的工程造價進行估算和控制，可以為建筑工程造價估算提供很好的服務。

　　1 BP神經網絡

　　BP神經網絡是一種前饋型神經網絡，包含三種層次或者多層次，各種層次之間相互連接，同一層次可以自由結合，BP神經網絡的構成見圖1。所屬模型的神經元數量決定了BP神經網絡的層數，各個層次之間通過相互的權值實現聯接[2]。

　　人工神經元（Artificial Neuron）模型：

　　人工神經元是神經網絡的基本元素，其原理可以用圖2表示。

　　圖中x1～xn是從其他神經元傳來的輸入信號，wij表示表示從神經元j到神經元i的連接權值，θ表示一個閾值（threshold），或稱為偏置（bias）。則神經元i的輸出與輸入的關系表示為：

　　BP神經網絡的結構非常簡潔，包括正向傳播和逆向傳播。下面分別對BP神經網絡信息的正向傳播和誤差信息的反向傳播原理進行介紹。

　　1.1 信息的正向傳播

　　式（1）中，n為信息的總個數。

　　1）輸入向量為

　　多層神經元網絡（BP網絡圖3）。

　　BP（Back Propagation）神經網絡，即誤差反傳誤差反向傳播算法的學習過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。由圖3可知，BP神經網絡是一個三層的網絡：

　　輸入層（Input Layer）：輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；

　　隱藏層（Hidden Layer）：中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程；

　　輸出層（Output Layer）：顧名思義，輸出層向外界輸出信息處理結果。

　　2 建筑工程造價估算模型

　　2.1 BP神經網絡訓練 建立BP神經網絡模型，對工程特征向量進行歸一化處理，可以開始神經網絡訓練，目標是使網絡性能函數極小化，實現非線性映射的目的。本文利用Nguyen-Widrow方法[5]對權值和閾值的初值進行確定。Nguyen-Widrow方法具體原理為

　　上式中，W是數值矩陣，θ是權值矩陣，S、N是節點的個數。rand（S，N）為s行n列的平均自由分布任意矩陣，I（S，N）為s行n列標準矩陣。

　　2.2 BP神經網絡訓練調整與測試 BP神經網絡訓練調整與測試連接強度加權值調整方法，具體公式為：

　　BP算法在按步驟經行的收斂過程中，每一步的學習率都將發生變化，而不是固定不變。此時BP神經網絡不應用連接強度加權值的調整方法，同時也不使用誤差函數對梯度調整和η調整方法；最終應用相對權重增加量Δwij進行網絡調整與測試，權值wij的修正值Δwij，如下所示：

　　以上的分析表明，運用BP神經網絡進行建筑工程單方造價估算是可行的，然而該方法對建筑工程項目總造價的估算還不夠精確。當前建筑工程項目需要考慮的影響因素非常多，雖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；即使可以對特征因素進行具體說明，提高輸入點的數量，這時樣本數據會隨著增加，此時神經網絡將會復雜化，求解效率會降低。所以，本文通過以上運用BP神經網絡對建筑工程項目單方造價的估算，采用Vague集貼近度對BP神經網絡進行改進，對建筑工程總造價進行估算[3]。

　　2.3 加入Vague集貼近度改進BP神經網絡 文獻[4]采用普通模糊集理論來對工程隸屬度進行確定。本文中建筑工程特征因素隸屬度是指建筑工程特征值隸屬于準備建設的項目特征值的大小程度：

　　3 實例分析

　　選取2013年西安市某工程項目數據進行實例分析，工程造價指數以2013年為基準，通過加權平均法求解造價年綜合指數。通過選擇，最后選取了二十個樣本，前面十八個樣本為訓練樣本，剩余的兩個當作檢測樣本。神經網絡訓練數據見表1。

　　3.1 BP神經網絡訓練 采用BP神經網絡對模型進行構建，對建筑工程特征向量數據處理結束后，可以開展神經網絡訓練。神經網絡訓練基本的訓練公式為

　　net，tr=train（NET，P，T）

　　訓練公式中net為最終的網絡，tr為數值統計， P是輸入矩陣，T是輸出矩陣。

　　3.2 BP神經網絡與Vague集貼近度預測 采用Vague集貼近度的數據，基于BP神經網絡訓練樣本進行預測，通過訓練好的網絡對與本文樣本數據相類似工程項目的單方造價進行預估，求得單方造價均值為1800元/m2。緊接著可以對建筑工程的總造價進行預估，通過對10項樣本進行造價估算預測，采用BP神經網絡和Vague集貼近度相結合的方法進行造價預估，估計誤差在±10%范圍內（見表2），造價估算結果非常準確。

　　4 結論

　　本文應用BP神經網絡造價預測和Vague集貼近度理論，從理論和實際應用兩方面對建筑工程造價估算進行了研究。文中的方法能更準確地反應工程造價的不確定性，為建筑工程項目造價估算方法研究提供了一種新的視角和方法。

　　參考文獻：

　　[1]史峰.BP神經網絡在工程量清單中快速估價的應用研究[M].北京航空航天大學出版社，2010.4.

　　[2]張風文.基于MATLAB神經網絡的工程實例分析[J].華東交通大學學報，2010，8（3）：26-33.

　　[3]郭一斌，王紅革，王翔.基于Vague集貼近度的工程項目投資快速估算方法[J].現代經濟信息，2011，12（2）：50-55.

　　[4]Stanley， K.O.Miikkulainen， R.. Evolving neural networks through augmenting to pologies[J]. Evolutionary Computation， 2002， 10（2）： 99-127.

　　[5]Wood， Bevyn Kenley， Russell. The effecitivctiveness of The Billsof Quantitisein Australia. Journal of Construetion Researeh， 2004， 15（20）：45-47.

【人工神經網絡在建筑工程造價確定中的應用研究論文】相關文章：

人工神經網絡與車輛的結合論文11-26

色彩在建筑設計及環境中的作用論文11-18

茶樹在園林藝術中應用研究論文11-29

建筑論文-工程造價確定方法常見問題及對策02-27

環境科學人工神經網絡運用論文11-25

建筑材料在建筑節能中的應用論文11-17

BIM技術在建筑節能設計中的應用論文11-25

差異教學在地理教學中應用研究論文11-10

公共環境中陶瓷藝術介入的應用研究論文11-29

項目管理在電力工程中的應用研究論文04-01