神经网络在工程造价和主要工程量快速估算中的应用研究
基于BP神经网络的工程造价估算模型研究_李晓娟
0 引言
确定工程造价是建设工作中重要的一环 , 特 别是建设前的估算是工作的重点 , 它是成本控制 的基础 , 是进行成本控制的起点 . 通过工程造价的 估算, 业主单位能在进行设计招标之前大致确定 该工程的造价 . 现如今市场经济竞争十分激烈, 实 际招投标工作要求能快速准确地进行工程造价的 估算, 业主与承包商都需要快速和准确确定出工 程造价 , 这些要求了各单位需高效率工作, 而且还 得保证所计算出数字的精确性 . 建筑工程估价是 利用以往类似工程的数据, 并运用一定的模型而 进行计算的. 但估算由于影响因素多 , 加之所收集 数据的随机性、 模糊性等影响, 往往难以达到人们 满意的精度. 神经网络 ( Art ificial Neural Net w or k) 技 术 是根据生物神经系统的作用原理发展起来的并行 信息处理系统 , 它能够处理复杂非线性问题 , 具有 自组织、 自学习以及容错性等特点, 与传统的数学 方法不同 . 它是基于数据的建模 , 通过学习, 能够 有效地计算出隶属函数的最佳参数, 使得设计出 的推理系统能够最好地模拟出希望的或是实际的 输入输出关系 , 系统中的模糊隶属函数及规则是 通过对大量已知数据的学习得到的, 而不是基于 经验或是直觉任意给定的. 这对于那些特性还不 被人们所完全了解或者特性非常复杂的系统是非 常重要的, 本文正 是利用这一优点, 分析 基础类 型、 墙体形式、 内、 外墙装饰、 楼地面等 5 种主要因 素与每平方米造价和每 100 平方米的钢材、 水泥
表 2 检测结果分析 T ab. 2
测试值与序号 实际值 预测值 误差值 / % Q1 1 560 1 650 5. 7
果分别为每平方米造价和每 100 平方米的钢材、 水泥用量. 从建立模型以及估算结果来看 , 其评估 精度是令人满意的及结论是可行的. 因此 , 只要选 取的工程特征能够代表工程本质、 选取的训练样 本和待估工程类似 , 具有较好的应用价值 . 参考文献:
基于BP神经网络的大型建筑工程施工造价预测方法研究
基于BP神经网络的大型建筑工程施工造价预测方法研究目录1. 内容概览 (2)1.1 研究背景 (3)1.2 研究意义 (4)1.3 研究目的 (5)1.4 研究方法与技术路线 (6)1.5 论文结构 (7)2. 相关理论与文献综述 (8)2.1 BP神经网络原理 (9)2.2 大型建筑工程施工造价预测方法研究现状 (10)2.3 BP神经网络在大型建筑工程施工造价预测中的应用 (11)3. 数据预处理与特征工程 (12)3.1 数据来源与预处理 (14)3.2 特征工程 (15)4. BP神经网络模型设计与实现 (17)4.1 BP神经网络模型概述 (18)4.2 BP神经网络模型参数设置与训练优化 (19)4.3 BP神经网络模型验证与评价 (20)5. 基于BP神经网络的大型建筑工程施工造价预测方法研究 (22)5.1 研究方法与流程设计 (23)5.2 实验结果分析与讨论 (24)6. 结果分析及展望 (25)6.1 结果分析 (27)6.2 存在问题及展望 (28)7. 结论与建议 (30)7.1 结论总结 (31)7.2 建议与展望 (32)1. 内容概览本研究报告旨在深入探讨基于BP神经网络的大型建筑工程施工造价预测方法。
我们将对建筑工程施工造价的影响因素进行详细分析，并建立相应的数学模型。
介绍BP神经网络的基本原理及其在数据处理和模式识别方面的优势。
在此基础上，构建一个适用于大型建筑工程施工造价的BP神经网络预测模型，并通过实证数据验证其预测性能。
我们将研究如何优化该模型的结构和参数，以提高其预测精度和泛化能力。
我们还将探讨如何将该模型应用于实际工程项目中，为建筑工程施工造价提供科学、准确的预测依据。
第一章：引言。
介绍研究的背景、目的和意义，以及国内外在该领域的研究现状和发展趋势。
第二章：建筑工程施工造价影响因素分析。
从材料成本、人工成本、设备使用费用等多个方面对影响建筑工程施工造价的因素进行详细分析。
人工神经网络在建筑工程造价预算中的应用
人工神经网络在建筑工程造价预算中的应用摘要：随着我国经济不断进步，城市化过程不断发展，人们对于各类型建筑的需求也在日益提升，建筑企业得到了蓬勃发展。
与建筑企业盈利水平密切的工程造价也逐渐成为企业广泛关注的热点和难点问题之一。
建筑工程造价是指建筑活动中企业的总成本，建筑工程造价的准确预算能够减小企业不合理的投入，控制项目的支出，实现企业利润的最大化。
关键词：人工神经网络；工程造价；预算管理；应用分析1人工神经网络内涵神经系统广泛存在于人和动物等生物体内，能够为生物提供外界环境识别、记忆、逻辑分析等功能。
利用仿生学，美国学者最早在1943年提出了人工神经网络的概念，他们将生物的神经系统抽象成“M-P神经元模型”，这一模型由大量具有计算功能的神经元节点连接组成，每一个节点模拟神经元的电信号传播，其输出由激活函数来实现，神经元节点之间通过一定的权值来连接。
利用这一模型，人工神经网络在优化问题、信号处理、大数据处理、图像识别、人工智能等领域逐渐获得了广泛地应用。
到了20世纪80年代，美国学者首次提出了反向传播算法，针对这种算法建立的神经网络又被称为BP神经网络系统。
BP神经网络系统是以误差信息逆向传播为基础的多层前馈神经网络系统，由输入层、输出层及隐含层构成，经过数学分析可以证明，一个具有三层深度的BP神经网络能够以任意精度逼近一个连续函数，且该网络具有结构简单、容易编程、计算精度高的优点，从而得到了广泛的应用，也为后续人工神经网络的构建提供了理论基础。
BP神经网络算法整体上可以分为前向传播和后向传播，其中，信号的前向传播依次经过输入层神经元、隐含层神经元及输出层神经元。
同层神经元之间各不相关，而且神经元的输入输出信号只能从低层神经元传递到高层神经元，其中神经元是否被激活则通过激活函数作为判断标准。
激活函数种类较多，总体要求是该函数具有连续可微的特性，以方便后续的求导工作。
后向传播将进行权重系数的修正，即开展误差修正，以提高神经网络预测的精确度。
浅析BP神经网络算法在工程估价中的应用
浅析BP神经网络算法在工程估价中的应用本文综述了工程造价和工程估价的含义，阐述了两者间的不同之处，且通过阐述BP神经网络算法原理，使其可以更直观更易理解的运用于工程估价行业标签：BP神经网络算法;感知机;工程估价;工程造价引言早在古代，各种算术、建设古籍中已经涉及到工程估价和定额的相关内容。
古时的浩大工程，像是都江堰、阿房宫的建设极有可能运用了这方面的相关知识才建的雄伟广阔。
而工程估价这个含义，从古至今都有出现。
只是如今對于工程估价的定义更为具体，且其体系较为完整、系统。
本文将通过BP神经网络算法对工程估价原理进行深层次的剖析和阐述[1]。
1 工程估价的含义1.1 工程造价在阐述工程估价之前，首先引入工程造价一词。
工程造价是建设项目从筹建之日起至竣工验收整个过程中所花费的全部费用的综合，即建设工程总投资。
相对于估价而言，其是结果。
1.2 工程估价工程估价过程按照程序可以分成投资估算、设计总概算、修正概算、施工图预算以及进一步的估算等等最后决定工程造价。
在此排序中，越往后估算的量值越准确一些。
那如何达到这一目的得呢？则之后引入BP神经网络算法。
2 BP神经网络算法2.1 神经网络原理概述以神经网络单元为例叙述最简单的神经网络模型原理。
引入“感知机”概念，“感知机”是人类最早提出的单体人造神经元模型，图1即为典型的神经网络图，“感知机”具体原理如图2所示。
其中x为输入变量，w为权重值，b为偏值，sign（x）为与其匹配的非线性函数。
可表示为相应权重乘以输入变量求和加偏值。
当侧重不同时，只需改变权重和偏值即可改变不同结果。
而典型神经网络模型则是上述单位模型共同作用的效果。
较为繁琐，且不定性较高。
算出的值不准确。
2.2 BP神经网络模型由于神经网络模型较为繁琐，且不定性因素多，解答较为困难，则在此引入BP神经网络模型，BP神经网络模型是在神经网络模型的基础上通过逆运算，即结果反推过程，改变权重，迭代运算，使得其输出结果无限接近真值的一种数学模型。
基于BP神经网络的估算模型在工程造价控制中的应用研究
３ Ｂ 神 经 网络 的应 用 Ｐ
３１ ． ＢＰ 经 网络 的基 本 原 理 神
神经网络是一种基 于生理学的智能仿生模 型，有 大量处理单元及神 经元互联组成的非线性大规模 自适应动力学系统。Ｂ 网络 由三个神经元 Ｐ 层组成 ，最下层称为输入层 ，中间层称为隐含层 ，最上层称为输出层， 利用神经 网络 ，通过学习 ，可 以按照规则 自动调节神经元之间的关系， 将各层神经元 完全连接 ，Ｂ 神经网络 的允许过程是学习信号 的正向传播 Ｐ 和反向传播两个过程。 算法描述如下 ： １ ）正向传播 。输出量为ｘ＝Ｉ ，…，Ｘ ｘ ｉ ，…， Ｉ，一般为样本各分量 ｒ
目的
Ｍ
＝
∑ 口 ） ｌ ． ｊ １ ． （） … ， ＝… ， Ｇ ２． Ｍ； ２． Ｎ ２
＝
ｌ
权重调节为 ：
＋＝ ） ［ 一 １ ＋ ） “
×，） ） （） ａ ／ Ｇ Ｇ＿ ３ Ｇｂ
式 中， Ｆ ——第 ｉ 出量的期望值 ； ’ 个输 ——第 ｉ 出量第Ｌ 个输 次 计算输 出值 ；ａ —— 学习率 ；ａ（ ） ｘ —— 隐含层基函数映射 向量。
唧
输人值 ；隐含层 中输入值为其前一层各节点输入值ｔ 的加权和
１ ０
一；
最后利用ｓ ｍｏ ｌ ＿ ｉ ｉ ￣数 ， ） ｇ ｄ 。 （
ｙ ——— —— — 一
０
为节点输出函数，得实际输 出为 ：
１ｅ （ ＋ｘ 一 ｐ ∑ Ｘ ｉ ）
式 中 ，ｎ — 节 点 Ｊ — 的输 入 节点 个 数 ；Ｘ 第 ｉ ｉ 是 个输 入 节 点 的 输 出 值 ；
１ 神经 网络 在造 价估 算工 程 中的优 势
采用Ｂ 神经网络进行 程造价估算 ，主要是因其具有结构简单 、丁 Ｐ ｒ ＿ 作状态稳定 、易于实现 ；具有分布储存和容错性 特点 ，可以处理与训练 集 中相同的数据 ，同时可以处理不完整的数据 ；神经网络 的信息处理时 大规模高度并行 的，大量的独立运算可以同时进行 ；神经 网络作为一个 高度非线性 系统 ，能够获取系统 中复杂输入变量 的相互关 系，从而可以 快捷 、准确 的处理Ｔ程造价估算这类多因素 、非线性 的问题 。可见如果 我们利用Ｂ 神经网络建立建筑物的Ｔ程特征与丁程量或造价之间存在的 Ｐ 映射关 系，且在应用中对神经 网络进行专门问题 的样本训练 ，就能够将 此类特征反映在神经元之间，如果将实际问题 的特征参数输人后 ，神经 网络输 出端就能够快速 、准确的进行 工程造价 的估算。
人工神经网络在建筑工程估算中的应用研究的开题报告
人工神经网络在建筑工程估算中的应用研究的开题报告一、研究背景和意义建筑工程估算是建筑工程的重要组成部分，在建筑工程的各个阶段，都需要进行估算。
传统的建筑工程估算一般采用人工的方法进行计算，效率低而且易出现误差，难以满足快速而准确的计算要求。
而人工神经网络作为一种新的计算方法，具有极高的学习能力和适应能力，可以有效地解决传统建筑工程估算中的问题。
因此，本研究旨在探索人工神经网络在建筑工程估算中的应用，提高建筑工程估算的效率和准确性。
二、研究内容和关键技术本研究将采用基于神经网络的建筑工程估算方法，通过构建合适的神经网络模型，利用神经网络的优秀的非线性映射能力，对建筑工程估算进行建模学习，从而实现高效、准确的估算。
研究将重点研究以下内容：1. 建筑工程估算的真实数据采集和预处理；2. 人工神经网络中神经元的数量和层数的优化；3. 神经网络的训练算法的选择与优化；4. 建筑工程估算的预测结果验证和分析。
三、研究方法和流程本研究将采用实证研究方法，通过数据分析和数学建模的方式，实现对建筑工程估算的实际应用和分析。
研究流程分为以下几个步骤：1. 数据的采集和预处理；2. 神经网络的构建和优化；3. 神经网络的训练和优化；4. 建筑工程估算的预测结果验证和分析。
四、预期成果和意义通过本研究，可以实现建筑工程估算的高效率和准确性，提高建筑工程的工作效率和经济效益，减少建筑工程的成本和风险，提高建筑工程的质量和安全。
此外，本研究可以为深入研究神经网络在建筑工程领域的应用提供参考，并在其它领域广泛应用。
五、研究计划和进度安排1. 建筑工程估算的数据采集和数据预处理（3个月）；2. 构建神经网络模型和进行优化（2个月）；3. 实现神经网络的训练和优化（3个月）；4. 对建筑工程估算的预测结果进行验证和分析（2个月）；5. 撰写论文并进行口头答辩（3个月）。
六、研究难点和解决方案人工神经网络作为一种复杂的计算方法，在应用过程中可能存在以下难点：1. 网络的过拟合和欠拟合现象；2. 选择合适的训练算法；3. 数据的选择和处理方法。
建筑工程造价中BP神经网络的有效应用
建筑工程造价中BP神经网络的有效应用摘要：在建设工程中，前期造价估算关系到建造成本最终的控制水平。
造价估算不仅是成本管理的起点，而且还是成本控制的前提。
所以，有必要探索一套实用、科学的造价估算方法。
神经网络作为人工智能领域的常用方法，有着学习、联想、归纳、容错和自适应等多重能力，在多个领域均有广泛的应用。
本文介绍了神经网络的概念、原理，并探讨BP神经网络在建筑工程造价中的应用。
关键词：工程造价；BP神经网络；应用引言在招投标环节，精准估算工程造价关系到招投标决策的可靠性。
以往是根据工程量清单来对造价进行计算。
该方法规则复杂、流程繁琐、加上耗时长，难以适应市场的变化。
对于这种情况，近年模糊理论、基于案例推理、遗传算法以及神经网络备受行业的关注。
和其他方法相比，神经网络的适应性非常强、有较高的容错能力、计算快、能够解决非线性建模问题，适用于解决非线性问题。
对于建筑工程中出现的估价问题，本文利用BP神经网络进行造价分析与预测。
1神经网络简介神经网络十分多元，本文以应用宽泛的BP神经网络（误差逆传播人工神经网络（Back Propagation Artificial Neural Network，BP ANN）模型进行探讨。
1.1基本原理BP神经网络涵盖了多个不同的神经元，如输入层、输出层以及隐含间。
同时，有2个工作阶段，一是训练，二是预测。
在训练阶段，其工作是对权值作出修正，获得映射关系相应的固定权值。
在预测阶段，重点是对结果进行计算、输出。
学习阶段同样也有两个部分，一是输入信号利用隐含层，直至输出层，属于正向传播；二是当实际输出、希望值之间不一致，系统也会计算其中的输出误差，属于误差反向传播。
此处的误差信号，也会顺着原路方向从输出层往前进行反馈。
联接权值，均是由误差进行调节、修改，使其接近于最小值。
模拟中，利用多样本训练，使其成为某个定值。
1.2神经网络的学习算法BP算法学习涵盖了4个过程：1）输入模式过程：从输入层传入输出层，中间经过隐含层，属于“模式顺传播”；2）“误差逆传播”过程：网络的希望、实际输出二者的误差信号，自输出层转入输入层，中间经过隐含层，并对连接权作出修正；3）“记忆训练”过程：实际上是“模式顺传播”、“误差逆传播”二者的交替巡回；4）“学习收敛”过程：全局误差逐步趋向于某个极小值，也就是“模式顺传播”→“误差逆传播”→“记忆训练”→“学习收敛”。
神经网络在工程造价及工程量快速估算中的运用探讨
3住宅工程造价பைடு நூலகம்征指标选取
根据建筑工程造价的含义可以将工程造价分为建设投资和建设期利息两部分，建设投资又包括工程费用、工程建设其他费用以及预备费，本文主要考虑项目立项以及设计阶段的工程造价费用，因而未考虑建设期利息部分。在项目立项以及设计阶段，建设用地费用基本确定，然而建筑工程的相关信息相对较少，往往只能通过初步确定的项目类型、工程结构等项目参数以及以往工程项目信息价格对工程造价进行估算。
4神经网络模型
4.1 MLP神经网络
多层感知器（Multilayer Perceptron，缩写MLP）是一种前馈神经网络，它可以被看做是一个有向图，包含对个节点层，每个节点都是一个神经元带有非线性激活函数，也可以叫做处理单元，节点从外部或者其他节点接收输入，经作用函数计算输出，基本结构如图1所示。其实质是通过大量样本学习训练自我调整连接权值，模拟非线性输入和输出。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
神经网络在工程造价和主要工程量快速估算中的应用研究【摘要】工程造价估算是工程项目管理中的重要组成部分之一，估算结果的准确与否，直接影响着工程项目的经济效益。
为了确保估算结果的准确性，可以在实际工程中采用神经网络对工程造价进行估算。
基于此点，本文就神经网络在工程造价和主要工程量快速估算中的应用展开研究。
【关键词】神经网络；工程造价；工程量估算
一、神经网络概述
人工神经网络简称为神经网络，英文缩写为nns，具体是指对人脑或是自然神经网络若干基本特性的模拟和抽象。
nns具有自学习和自适应的能力，能够借助预先提供的输入/输出数据，分析掌握两者之间潜在的规律性，并按照这些规律以新的输入数据推算出输出结果，这一过程就是我们通常所说的训练。
nns是基于神经科学发展起来的一门新兴学科，其通过若干非线性并行处理器来模拟人脑的神经元，同时借助处理器之间的关系对神经元之间的突触行为进行模拟。
nns还吸收了生物神经网络的诸多优点，这使其具有了自己的特点：能够无限接近复杂的非线性关系；由于定量或定性信息都储存在各个神经元当中，从而具有较强的容错性和鲁棒性；可以学习及自适应各种未知或是不确定的系统，并且还可以同时处理定性和定量知识；因采用并行分布式的处理方法，使其能够快速进行大量复杂的运算。
nns主要是由生物神经网络抽象而来的，人类的大脑是所有生物神经网络中最为发达的。
据有关文献记载，人脑
中约有1011个神经细胞，每个细胞又有个突触，这样便组成了一个极其复杂的神经网络。
简单来讲，nns实质上就是一种用计算机模拟生物神经网络的经验模型，其最基本的单元是人工神经元，它不但能够记忆并处理一些信息，而且还能与其它的神经元并行工作。
nns中除了包含最基本的神经元之外，还有其它一些要素，如阀值、激励函数、连接权值等等。
nns是由一个或多个神经元组成的信息处理系统，在具有m个输入节点和n个输出节点的神经网络当中，输入与输出之间的关系可以用以下数学形式来表达，即f：y=f（x）。
该式中，x和y分别代表输入和输出向量。
bp神经网络属于多层感知机网络，因为它的学习采用的是误差反向传播算法，故此被称之为bp神经网络。
bp神经网络模型处理信息的基本原理如下：（输入信号）通过隐层点作用在输出节点上，再经过非线形变换后，便会产生出（输出信号）。
网络训练中的每个样本都包括x（输入向量）以及t（期望输出量），通过相应的调整可以是网络输出值与期望输出值之间的误差沿着某一个梯度的
方向不断下降，经过反复的学习训练之后，便可以确定出与最小误差相应的权值和阀值，此时整个训练过程便结束。
完成训练的神经网络可以对类似样本的输入信息进行自行处理。
bp神经网络属于一种单向传播的网络，它的结构如图1所示。
图1 bp神经网络结构图
二、神经网络在工程造价和主要工程量快速估算中的具体应用（一）bp神经网络模型的建立
建立bp神经网络模型的过程，大体上分为以下几个步骤：
其一，确定模型的结构参数，即三层结构的神经元个数；
其二，对原始数据进行规范化，并建立隐含单元输入模块。
因为神经网络本身只能对-1～1之间的数据进行处理，故此在输入网络时，需要对原始数据进行规范化处理。
同时对于隐含单元而言，各个单元输入信息加权求和后可以获得该单元的输入信息：
上式中，m代表所有联结到隐含层上第j个神经单元的输入节点数；表示第i个输入节点到第j个隐含层节点的权重；表示输入单元的输入信息。
其三，建立隐含单元输入模块。
按照神经网络的操作模型，net 信号经过激发函数f的处理之后，能够获得隐含单元的输出值：上式中代表第j个隐含层节点的实际输出值。
其四，建立输出节点输入模块。
对于输出单元节点而言，前一层中的各个隐含层单元输入信息加权求和之后能够获得该单元的输入信息：
上式中，s表示所有联结到k节点的隐含层单元数；代表第j个隐含层节点到第k个输出节点的权重。
其五，神经网络最终输出。
该步骤与第三步比较类似，神经网络的输出值y时将带入到g（激发函数）获得：
其六，误差传播分析。
大量实践表明，人工神经网络能够实现任意空间最近似的数学映射。
假定神经网络的输入单元数为m，输出单元为n，在你m维欧式空间r中存在一个有界子集a，同时还存
在一个映射，即
y=f（x）
由于bp神经网络采用的是算法为梯度下降法，从而会使整个网络模型陷入到极小值点。
此外，梯度下降法的学习速度也相对较为缓慢，为了有效解决这一问题，本文提出一种动量法和学习率自适应的策略，借此来抑制网络陷于局部极小的情况，并进一步提高整体的训练速度。
（二）工程造价估算指标体系
通常情况下，各类工程建设项目的使用功能以及使用要求等方面都不相同，并且影响工程造价的因素也存在一定的差异，为此，必须按照工程项目的具体类别分类建立估算对象的指标体系。
为了便于研究，本文以某住宅建筑工程为依托，依据影响住宅建筑工程造价的因素大小，选取以下10项内容作为主要影响因素，具体包括：建筑结构类型、地基基础类型、工程项目建造年份、工期时间、建筑地址、建筑高度、楼层数、内部装修、外部装修以及门窗。
该工程的指标体系由定性和定量指标组成，定性指标的量化处理如表1所示。
（三）神经网络快速估算的实例应用
下面以某省住宅工程资料为例，对bp神经网络在工程造价和主要工程量快速估算中的应用进行详细说明。