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

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。