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。
神经网络算法在工程设计中的应用研究
神经网络算法在工程设计中的应用研究随着科技的不断进步和人们对生活质量的要求不断提高，各种工程的设计也越来越复杂，需要投入更多的人力、物力和财力来完成。
而神经网络算法作为一种新型的人工智能技术，被越来越多的工程师所熟知和应用。
本文从以下几个方面阐述神经网络算法在工程设计中的应用研究。
一、神经网络算法简介神经网络算法是一种通过模拟人脑神经系统的方式来实现“人工智能”的技术。
其基本思想是将大量输入和输出信息通过具有自学习能力的“神经元”节点进行处理和分析，以实现对信息的分类、识别等功能。
在神经网络算法中常用的结构有多层感知机、卷积神经网络、循环神经网络等。
每种结构都有其特定的应用场景和适用范围。
二、神经网络算法在工程设计中的应用神经网络算法因其较好的自学习能力和适应性，在工程设计中应用广泛。
以下是几个具体的应用案例。
1、机器视觉方面的应用机器视觉是一项重要的工业自动化技术，其应用范围涵盖了全球绝大部分制造业领域。
神经网络算法在机器视觉中的应用主要包括图像处理、目标检测、分类识别等方面。
例如，在产品质量检测方面，工程师可以利用神经网络算法训练出一个模型，对产品的外观、尺寸、颜色等信息进行识别和分类，从而自动判断产品是否合格。
2、结构优化方面的应用结构优化是工程设计的重要环节，通过对设计结构进行优化，可以达到节能降耗、提高产品性能、减轻环境污染等目的。
而神经网络算法在结构优化方面的应用则主要体现在对结构的强度、几何形状等方面的优化。
例如，在飞机结构设计方面，工程师可以通过神经网络算法对机身刚度、气动外形等多个参数进行分析和优化，得出一个最优的设计方案。
3、智能控制方面的应用智能控制是近年来工程领域中的一个热门话题，其目的是打造智慧化、自动化的工程系统。
而神经网络算法则可以通过对系统的数据进行学习和调整，实现对系统的智能控制。
例如，在智能机器人领域，工程师可以利用神经网络算法训练一个“脑模型”，使其能够实现对周围环境的感知和自主导航，从而实现智能控制。
基于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】建设工程是固定资产再生产过程中形成综合生产能力或发挥工程效益的工程项目，其中不仅包含新的固定资产的建设，还包括基于原有固定资产而进行的改造。
工程造价和工程量的快速估算，作为现代建设工程中两个重要的组成元素，正发挥着日益重要的作用。
出于在保证质量的前提下节约建设成本、降低工程预算、减轻工程作业量和提高建设效率的需要，本文通过对传统的工程估算方式的种种缺陷的研究分析，探讨了基于BP神经网络建立工程造价和主要工程量快速估算系统的科学性和合理性。
【关键词】神经网络；工程量；工程造价估算随着世界经济的不断发展和科学技术日新月异的进步，人工神经网络这一新兴领域的先进技术近年来正逐渐深入影响到我们生产生活的方方面面，基于此的工程造价和主要工程量快速估算技术正是最好的说明。
一、传统工程造价和工程量估算方式的不足长久以来，在工程建设领域，我国大多数情况下都是采用传统的方式来计算工程造价、估算生产成本。
这一方面是由我国的科学技术水平局限决定的，另一方面则是因为我国的现代化建设时间还很短，对于新技术的经验积累还远远不够。
在传统的工程建设领域，工程项目的划分往往过于冗杂繁琐，工程造价计算工程量需要不菲的时间成本。
此外，非常繁杂的操作和计算方式也使得这一过程中的误差甚至错误难以有效避免，造成工程建设时间成本和经济成本的增加，所以自改革开放几十年来蓬勃发展的这一神经网络新兴技术更加凸显出重要的现实意义。
二、工程造价与神经网络对于工程建设项目来说，对主要工程量和工程造价最直接也最显著的影响因素就是工程特征，这种影响的本质是一种映射影响的关联性。
与传统的工程造价估算相比，神经网络具有精度高、实用性好、操作性强等显著特点。
数学建模是神经网络技术进行工程造价分析和主要工程量快速估算的主要形式。
这一形式的内容主要是：首先通过合理分析构建出合适的数学建模，把估算的工程造价和工程量作为参考的方面，然后同人工计算的工程造价预算结果与主要工程量结论进行分析比对，从而更加直观地了解手工计算结果的准确性，实现对工程造价成本的节约，防范了工程量索赔等等问题的产生。
基于BP神经网络的工程造价估算
目录一、建设项目的投资失控问题 (2)二、基于BP神经网络的造价模型 (3)三、基于BP神经网络的实例分析 (6)四、BP神经网络的利弊分析及相关建议 (9)五、总结 (11)六、后记 (11)参考文献： (12)摘要工程造价的估算是管理和控制整个建筑工程投资的重要经济指标，本文从投资失控角度引入快速精确造价估算模型——BP神经网络模型。
并对收集到的案例，建立BP模型，进行实证分析，表明该方法的优势和有效性。
同时从技术层面解读BP神经网络依旧存在的局限性和弊端，在此基础上结合造价本身特点提出相关的意见和建议。
关键词工程造价；造价估算；BP神经网络一、建设项目的投资失控问题1 投资失控问题的提出建设项目投资失控是我国固定投资领域存在的重要问题，其原因是多方面的，其中很重要的一个方面是存在着造价控制“重施工阶段”而“轻项目策划与可行性研究阶段和设计阶段”的问题。
建设项目实施包括项目可行性研究阶段、设计阶段、采购招标阶段、施工阶段、使用投产阶段。
如图1，从工程造价控制的阶段看，节约投资的可能性在项目策划与可行性研究阶段由100％迅速下降，至施工阶段已降至10％左右，其后变化就相当平缓。
影响项目投资最大的阶段，是约占工程项目建设周期 1/4的技术设计结束前的工作阶段。
因此，可行性研究阶段的投资估算控制就成为项目投资控制的重点之一。
2 投资估算现行方法及弊端投资估算是在建设项目的投资决策阶段，确定拟建项目所需投资数量的费用计算成果文件。
编制投资估算的主要目的，一是作为拟建项目投资决策的依据，二是若决定建设项目以后，则其将成为拟建项目实施阶段投资控制的目标值。
投资估算的现行方法主要有定额估算法和工程量清单估算法。
510费用立项 初步设计 施工图设计 开工 竣工 拆除1图1 节约投资可能性曲线我国的定额计价工程造价管理体系，一直是自上而下的计划管理模式。
所依据的各种概预算定额及相应的费用定额，仍然由建设部和各个省定额主管部门负责组织编制并颁布执行。
工程造价和主要工程量快速估算中神经网络的应用研究
Ｉ
，
瑰 Biblioteka ： ｌ ● ：
输入层
隐层
输 出层
图一
三层误差反向传播 网络模型结构图
种映射关 系可 以表示为 ： Ｍａ ｐ ｐ ｉ ｎ ｇ Ｌ ＝ ｛ Ｌ ｉ ｌ ｉ ＝ ｌ ， ２ ３－ ． ， ｎ 卜 Ｍ。相 对 于其他估 算方法而 言 ， 人 工神经 网络在建设 工程的工程 造价与 主要工程量 的估算 中 ， 具有客观性强 、 估算 精确性高且估算速度 非常快 ， 此外 ， 还具有提取建设工 程的特征的优势 ， 因此 ， 近年来 在建设 工程 的工程造价 与主要工程量 的估 算 中， 神经 网络被广
统 模 型 而言 ， 该 模 型 增加 了 工程 硬 件 环 境 与 工程 软件 环境 以及 工程 造 价 指 数 对 工程 造 价 的影 响 ， 并 以 桌 市 已 完工 工 程 为例 ， 验 证 该 模
型 的 实 用性 。
关键词 ： 工程造 价； 工程量 ； 神 经网络 ； 快速估算 中 图分 类 号 ： Ｔ Ｕ ７ ２ ３ １ ３ 文 献标 识 码 ： Ａ 文章 编 号 ： １ ０ ０ ３ — ５ １ ６ ８ （ ２ ０ １ ３ ） ０ ９ — ０ ０ １ ８ — ０ ２
人 工神经 网络 又称为连接模 型 ， 它是一种 通过模仿 动物神 经 网络行 为特 征 ， 进行分 布式 并行信 息处 理的算 法数学模 型 。 它 作为一 门新 兴的学科 ， 近年来得 到 了飞速 发展并被 广泛应用 于各个领域 ， 如 医学 、 机械 、 生物 、 数学 等领域 。在 工程建设 中 ， 由于建设工程 的分项工程数 目多 ， 使得工程 造价计算 中工程量 的计算时 间长 ， 计 算方式繁琐 ， 而 且容易 出现误差 ， 在 整个工程 造价估 算中 ， 工程量 的计算是其 重难 点。因此 ， 找到一种快速精 确的估算方 法进行工程 造价与主要 工程量 的估算 ， 对 工程造价 管理而言具有非常重要的意义 。 神 经网络在工程造价计算 中的运用 建筑工程的工程特征直接影响着这一工程 的主要工程量 以 及工程造 价 ， 即某一建设 工程 的主要 工程量或工 程造价与这 一 工程 的特征之 间存 在着 某种程度上 的映射关 系 ， 如果 以 Ｌ 表 示 这一工程 的工程特征 ， 以 Ｍ表示主要工程量或工程造价 ， 那么这
基于BP神经网络的建筑工程造价估算研究
工程建设领域存在许多因了解不充分而导致实际投资金额与估算值之间出现明显偏差的情况，这种偏差不仅会对投资者和施工企业造成巨大损失，还会影响整个工程项目的成功与盈利能力。
因此，项目成本估算变得至关重要，既涉及项目的盈亏状况，又直接影响项目方案的选择，为项目决策提供了可靠依据。
然而，成本估算本身充满了挑战，因为工程项目的特性和条件多种多样，充满了不确定性。
因此，准确估算工程造价一直是一项复杂而困难的任务。
考虑到估算结果的准确性对项目的投资和决策有着直接而深远的影响，工程造价估算模型的研究显得尤为重要[1]。
传统的成本估算方法通常依赖于统计分析和简单的回归理论。
然而，这些方法存在精度较低和耗时较长的缺点，限制了其在复杂工程项目中的应用。
近年来，随着计算机技术的飞速发展，新的估算方法被引入成本估算，为提高准确性和效率提供了新的途径。
这些方法包括遗传算法、神经网络和决策树等，借助计算机的强大计算能力，能够更好地处理大量的数据和不确定性因素，并取得了令人满意的成果[2]。
Yang [3]提出了一种用于环境治理成本估计的粒子群算法优化支持向量机(PSO-SVM)算法，并采用聚类分析对样本进行分类，通过实验结果发现，该方法对环境成本预测具有良好的指导作用；Wang [4]基于Fuzzy 数学估算了建设项目成本，通过案例分析验证该方法具有良好的适用性，有助于提高建筑企业的竞争力；El-Saw⁃alhi [5]利用SVM 回归器估算公路项目成本，确定了影响模型的12个主要因素，通过对70个实际案例的训练和测试，发现模型的预测精度达到95%；Ma [6]通过增强的回归树(Regression Trees)估计成本，并对234个实际成本数据进行了实验，证明了该方法在成本估计中的适用性；Sun 等人[7]利用遗传算法对神经网络进行了优化，建立了成本估算模型，实现了电力工程成本的估算。
本研究对建筑成本的影响因素进行了分析和筛选，建立了基于BP 神经网络的建筑成本估算模型，并通过实例分析证明了模型的有效性和准确性。
BP神经网络的建筑工程造价预测研究
BP神经网络的建筑工程造价预测研究发布时间：2023-02-01T05:26:43.654Z 来源：《工程管理前沿》2022年第18期作者：李宝同[导读] ：BP神经网络通过训练得到模型中的一个神经网络模块来进行计算时对网络中输入参数进行微调使得模型更具精度。
李宝同天元建设集团有限公司山东省临沂市 276000摘要：BP神经网络通过训练得到模型中的一个神经网络模块来进行计算时对网络中输入参数进行微调使得模型更具精度。
利用这样一种模型来进行工程造价控制也是非常合适的。
而使用 BP神经网络进行工程造价分析是现在比较常用的方法。
关键词；BP神经网络；工程造价；网络模块1 BP人工神经网络工程造价预测模型BP神经网络是近年来国内外发展起来的一种新兴的自动调节计算机视觉和语音识别算法。
它的特点包括收敛速度快、模型鲁棒性强、计算量小等优点。
BP神经网络可分为五个层次：决策层为神经元，隐含层为权值序列，输出为输入法输出。
神经网络由输入、训练、输出与输入之间建立连接。
其中，计算是神经网络的核心功能之一。
其训练方法分为三种：预训练、随机森林、决策树。
每个神经元都与一个称为映射单元的权值序列对应不同的输入样本。
这些输入样本具有自己特征值，而被用于学习模型运算，这些隐含层的输入数据经过运算和变换后可以得到对应的回归方程.最后将回归结果以一个函数表示出来就是 BP神经网络的计算结果。
其中隐含层就是预测误差最小的结构层中的神经元和隐含层中各层神经元之间通过传递映射可以进行传递因此每个神经元都能够在较小程度上去改变预测结果。
其中权重是影响网络输出值和输出值的主要因素也是影响 BP神经网络精度的重要因素之一所以我们要通过利用大量数据进行模型的训练而不断修正调整以适应当前网络参数要求使得模型具有更好预测效果和稳定性对于建筑工程造价而言具有重要意义。
BP (Based Primitive Response)神经网路由许多根神经网络构成。
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
第38卷第8期土 木 工 程 学 报Vol 138 No 18 2005年8月CH I N A C I V I L E NGI N EER I N G JOURNALAug 1 2005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任 宏 周其明(重庆大学,重庆400045)摘要:采用动量法和学习自适应调整策略改正的BP 神经网络建立了工程造价和主要工程量估算数学模型。
针对以往估算模型精度不高的原因,模型中增加了工程造价指数和工程硬、软件环境对工程造价的影响。
采用matlab611计算软件,以深圳市已完典型工程资料为例,验证了该模型的正确性及实用性。
关键词:神经网络;BP 神经网络;工程造价;快速估算;估算模型中图分类号:T U72313 文献标识码:A 文章编号:10002131X (2005)0820135204APP L I CAT I O N O F NEURAL NER WO RK FO R QU I CK EST I M AT I O N O FENG I NEER I NG CO NSTRUCT I O N CO ST AN D M A I N QUANT I T I ESR en Hong Zhou Q i m ing(Chong Q ing University,Chong Q ing 400045,China )Abstract:A BP net w ork i m p r oved by momentu m and learning and self 2adap ting methods is p resented t o esti m ate the cost and main quantities,in which the engineering cost index and engineering hard ware and s oft w are envir onment are taken int o account t o i m p r ove the p recisi on .Matlab 611is e mp l oyed t o analyze the evaluati on model .It is accurate and valuable in p ractice,as testified by the p r ot otype data fr om Shenzhen city .Keywords :neural net w ork;BP neural net w ork;engineering cost;quick esti m ati on;esti m ati on model收稿日期:2003212220引 言人工神经网络是近年来迅速发展起来的一门新兴学科,是人工智能科学的一个分支,它是由大量的简单处理单元通过广泛的连接而形成的复杂网络。
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：本文通过对BP神经网络在我国运用现状的分析，对BP神经网络的结构作了介绍和举例说明，提出了建筑工程造价中神经网络的重要作用，以及为有效地将神经网络运用到建筑工程造价中提出一定的建议。
关键词：建筑；工程造价；BP神经网络；应用一、神经网络在建筑工程中的运用现状目前，我国社会经济的发展越来越快，城市化进程也在不断加快,诸如地铁工程的建设也已经成为我国城市基础设施的一项重要发展领域。
可是,我国工程建设资金条件还比较短缺,建筑工程高昂的造价限制了大部分城市的地铁等工程的发展。
所以,如何采取有效的措施来降低地铁工程造价,越来越成为加快工程建设的首要课题。
在建筑工程造价管理中,关于可行性研究阶段的造价估算对于项目的决策和工程造价的控制起着至关重要的作用,因此研究该阶段的造价估算方法具有重要的现实意义。
最近几年来,人工神经网络凭借其强大的学习、联想以及自适应能力被广泛地应用在工程造价估算领域当中。
许多相关研究成果也应运而生，很多学者通过大量查阅与深入研究国内外建设工程造价估算方法，并针对不同工程造价的特点,提出将BP神经网络结合的工程造价估算模型。
第一,利用模糊数学方法对工程造价估算样本进行筛选,从而提高工程造价估算模型的准确度；第二,综合分析不同建筑工程的主要特征,然后将这些特征与它的工程造价相联系,构建出基于BP神经网络的建筑工程造价估算模型。
在实现模型方面,利用相关语言对模型进行训练与仿真测试,并运用工程实例进行验证,最后结果表明了，该模型具有较好的泛化能力,并且能够比较准确地估算建筑工程的造价。
二、BP神经网络模型结构1、网络结构人工神经网络系统，即模拟人脑中神经元的工作原理的一种方法。
一个典型的生物神经元都具有称之为树突的部分，树突从细胞体中伸到其它神经元，在突触的联结点上接受信息，接着将这些信息累加起来。
如果细胞体中累加的激发信息超过了某一阀值的时候，细胞就会被激活，那么，该细胞的轴突部分就会向其他神经细胞发出相应的信息。
基于BP神经网络的市政工程造价预估研究
基于 BP神经网络的市政工程造价预估研究摘要：针对 BP 神经网络的工程估价模型具有高度的容错性和较强的泛化能力等优点，根据 BP 神经网络原理, 对某井筒工程特征进行分析，确定工程特征类目作为神经网络的输入向量。
建立基于神经网络的工程造价快速估算模型，该模型能更好的满足实际工程投资估算和设计概算的需要，对项目工程造价快速估算有指导意义。
引言建设工程的估算，是利用某种方法对工程造价所作的一个预先估计或预测。
对于某个要估算的市政排水工程，即预估工程，可以从数目众多的已知造价的市政工程中找出与之最相似的若干个工程，然后利用这若干个预估工程最相似的若干个工程的造价进行预测而得到预估工程的估价。
这就是工程造价的科学估算的基本原理。
工程成本受多方面因素影响,构成比较复杂,其内涵、外延具有较大的模糊性.在实际工程中,一位经验丰富的工程造价师能通过大脑对以往接触过的工程信息进行超强处理,寻找到已知样本与待估工程之间的联系,然后比较准确的估算出造价，在多变的市场经济环境下，寻求一种简捷、快速、实用的工程造价方法，显得尤为重要。
工程估价采用神经网络方法是一种发展趋势 [1] 。
人工神经网络(Artificial Neural Networks,简写为 ANNs)简称为神经网络(NNs)是一种模仿动物神经网络行为特征,进行并行处理、分布式存储、自适应(学习)过程的信息处理算法数学模型，它依靠网络系统的复杂程度,通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
工程建设的资源耗量与工程的一些基本特征值之间存在着必然的联系。
神经网络的特征对于处理数据量较大的工程造价数据较为合适。
本文将研究基于BP神经网络的市政工程造价预估研究。
1、BP神经网络的基本原理利用神经网络建立工程造价估算模型，其实质就是利用网络的函数逼近能力，对实际的非线性复杂函数进行映射。
从理论的角度讲，在进行工程造价估算时，假设影响工程造价的特征因素为m个(即m个向量，m≥3)，所需主要造价资料为竹个(即超个向量，咒≥1)，自然其间就形成了一个由m维到咒维空间的非线性的数学映射问题。
公路工程造价快速估算的模糊神经网络方法应用
公路工程造价快速估算的模糊神经网络方法应用摘要:近些年来,伴随着我国公路事业的蓬勃发展,公路工程建设的数量和规模日益增加。
而公路工程造价估算作为公路工程建设的重要前提以及公路工程管理的重要组成部分,其在公路建设中的地位也日益突显,合理的工程造价估算可以有效提高工程施工单位投资决策的科学性。
而基于模糊神经网络的工程造价估算方法可以有效的克服传统工程造价估算方法的一系列弊端,有效提高公路工程造价估算的合理性和科学性。
本文从公路工程造价的相关概念谈起,然后对模糊神经网络的相关概念给予详细的说明,最后就公路工程造价估算中模糊神经网络方法的应用进行了说明。
关键词:公路工程造价估算模糊数学神经网络模糊神经网络1 公路工程造价估算概述1.1 公路工程造价估算的重要性公路工程造价估算作为公路工程管理的重要组成部分其重要性主要体现在如下几个方面。
第一,公路工程造价的估算是实现工程成本控制的基础。
其中工程施工前期造价估算、施工前的编制预算以及施工图设计阶段的编制预算等环节作为工程造价估算的核心,同样是公路工程施工成本控制的起点,因此,实现公路工程造价的合理估算是实现工程成本控制的重要前提条件。
第二,公路工程造价的估算可以为施工企业成本控制计划方案的制定提供重要的参考依据。
施工企业通过工程造价的估算可以寻找到降低工程成本的有效途径,从而为工程施工过程中施工成本的控制提供正确的方向。
第三,公路工程造价的估算可以帮助施工企业在进行设计招标前可以确定工程的大致造价。
这样一来,施工企业在招标的过程中就可以有效避免中间代理商的欺诈以及保标等恶意行为的发生。
1.2 传统公路工程造价估算中存在的问题尽管工程造价估算在公路工程建设中越来越受到人们的重视,但是由于受各方面因素的影响,在传统公路工程造价估算中还存在一系列的问题,其中我国传统公路造价估算中主要存在如下几个方面的问题:一是相关规章制度的限制,造价估算结果往往与投标报价相差悬殊;二是预算结果与概算结果差距较大,不利于工程实际造价的控制和确定;三是缺少对工程造价估算的有效监督机制,从而使最终的造价结果变的十分不确定;四是由于各参与方利益的问题,在进行工程造价估算时很难早到平衡点,以至于造价估算精度不能得到有效的保证。
基于人工神经网络的工程估价预测应用研究
基于人工神经网络的工程估价预测应用研究摘要：在建筑工程估价中，人们利用传统的计算工具来计算工程造价，已经不能适应信息化迅速发展的时代，人们迫切需要一种新的方法来代替原来的传统的计算方法。
一个有经验的预算师或者估算师，根据某个工程的类别、特征，参照已建工程的数据资料，运用某种方法就能较准确地计算出该工程的造价，误差比较小，这种专家的大脑思维方式值得我们学习。
本文引入人工神经网络中的bp网络模型，介绍该模型工程估价的计算过程，指出该模型可对不同情况的工程造价进行合理的预测，并能取得良好地效果，为工程估价带来巨大变化。
关键词：工程估价人工神经网络 bp网络估价预测中图分类号：tn711文献标识码：a 文章编号：1 前言随着信息技术的日新月异，工程造价的传统管理方式已经跟不上时代的发展。
工程造价管理信息化作为建设工程领域信息化的一个重要组成部分，将在工程造价管理活动中发挥重要作用，成为工程造价管理活动的一个重要支撑，并主导未来工程造价管理活动的发展方向。
在工程造价信息量急剧增加且不断变化的过程中，工程造价管理信息化面临着挑战与创新，急需运用一种新的估价方法来替代传统的估价方法，来打破传统估价方法存在的种种弊端。
人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。
在工程与学术界也常直接简称为神经网络或类神经网络。
神经网络是一种运算模型，由大量的节点（或称神经元）和之间相互联接构成。
近几年，它开始被广泛应用于建筑工程领域。
由于它分布式存储、并行处理和自适应学习的特点，可以直接使用样本数据实现输入层与输出层之间的非线性映射，而不需要建立精确的计算方程，非常适用于难以建立数学模型但易于收集学习样本的问题。
目前，一些学者和工程设计人员尝试运用神经网络方法进行结构的初始设计、结构优化及结构选型等工作，取得了满意的效果。
传统的工程估价参考以往类似的工程数据，运用一定的模型进行计算，这种方法要考虑到诸多复杂因素的影响，以及运用传统的工具计算关联性不强，这些工具基本上都局限于各自狭小的功能范围，缺乏连贯性和整体关联性，解决的问题都比较单一，也就是比较的静态，这些缺点的存在，使得计算出的数据难以达到人们满意的精确程度，所以对以后的工程应用参考价值不大。
- 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。