工程項(xiàng)目造價(jià)的確定是工程項(xiàng)目管理的重要內(nèi)容之一,但由于工程項(xiàng)目投資階段所掌握的工程信息十分有限,建筑工程造價(jià)的估算普遍存在誤差大,編制時(shí)間久等缺點(diǎn)。隨著計(jì)算機(jī)科學(xué)的不斷發(fā)展,智能優(yōu)化技術(shù)已經(jīng)滲透到各個(gè)研究領(lǐng)域,其中人工智能理論是當(dāng)前非常熱門的研究課題之一。本文主要研究了人工智能方法在建筑工程估價(jià)領(lǐng)域的應(yīng)用,采用粒子群優(yōu)化的人工神經(jīng)網(wǎng)絡(luò)和案例推理兩種智能方法,建立了三種人工智能估價(jià)模型,對(duì)建筑工程估價(jià)進(jìn)行預(yù)測(cè),并通過(guò)實(shí)例驗(yàn)證其有效性。闡述了粒子群算法、BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)和案例推理的理論基礎(chǔ)。詳細(xì)講解了粒子群算法的基本原理,算法流程及控制參數(shù)的選取,為驗(yàn)證粒子群算法良好的尋優(yōu)性能,用兩種簡(jiǎn)單的基本函數(shù)測(cè)試算法的性能,測(cè)試結(jié)果表明粒子群算法具有良好的全局搜索能力;介紹了BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的基本原理、學(xué)習(xí)規(guī)則以及算法流程,為驗(yàn)證人工神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力,在MATLAB軟件中實(shí)現(xiàn)用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對(duì)三種基本函數(shù)的學(xué)習(xí)和逼近,結(jié)果顯示人工神經(jīng)網(wǎng)絡(luò)具有良好的函數(shù)逼近能力,能夠以模擬現(xiàn)實(shí)中任意非線性映射。接下來(lái)應(yīng)用粒子群算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化,通過(guò)改變粒子群的粒子數(shù)目、慣性權(quán)重和進(jìn)化代數(shù)來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù),從而得到更加科學(xué)、合理的神經(jīng)網(wǎng)絡(luò)參數(shù)值,并用于人工智能估價(jià)模型。采用理論與實(shí)際相結(jié)合的研究方法,系統(tǒng)分析和構(gòu)建基于人工智能方法的建筑工程估價(jià)模型。首先,以沈陽(yáng)近一年的31個(gè)已建工程造價(jià)信息為樣本,采用SPSS軟件分析影響工程造價(jià)的各特征因素和平米造價(jià)之間的相關(guān)性,并通過(guò)綜合分析最后確定了9種工程特征影響因素。然后,建立基于PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的建筑工程估計(jì)模型和基于PSO優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)的建筑工程估價(jià)模型,應(yīng)用MATLAB軟件編程實(shí)現(xiàn)樣本訓(xùn)練和測(cè)試,并驗(yàn)證模型的實(shí)用性,測(cè)試結(jié)果顯示兩模型誤差均在要求范圍內(nèi)。最后,以31個(gè)已建工程造價(jià)信息為數(shù)據(jù)建立Access案例庫(kù),并運(yùn)用VBA計(jì)算機(jī)語(yǔ)言進(jìn)行編程來(lái)實(shí)現(xiàn)案例的檢索過(guò)程,從而建立了基于案例推理的建筑工程估價(jià)模型,對(duì)建筑工程估價(jià)進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果誤差較小,證明該模型具有實(shí)用價(jià)值。
【學(xué)位單位】：沈陽(yáng)建筑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2016
【中圖分類】：TU723.3
【部分圖文】：

a.多項(xiàng)式函數(shù)適應(yīng)度圖 b.指數(shù)函數(shù)適應(yīng)度圖圖 2.2 PSO 函數(shù)擬合適應(yīng)度圖Dig.2.2. PSO function fitting to be appropriateMATLAB 軟件 command 窗口顯示如下數(shù)據(jù)：PSO 求得的多項(xiàng)式函數(shù)最小值 0.0253（對(duì)應(yīng)自變量取值：1.716，1.024，1.015，1.098，0.982，1.0357，1.0164，0.9616, 0.9466，0.9395）與其理論最小值 0（對(duì)應(yīng)自變量 1,1,1,1,1,1,1,1,1,1）非常接近，且收斂速度很快。PSO 求得的指數(shù)函數(shù)最小值 4.000000002（對(duì)應(yīng)自變量取值：0.306e-5，-0.015e-5）與其理論最小值 4（對(duì)應(yīng)自變量 0，0）幾乎完全一致，且收斂速度很快。綜上所述，PSO 算法具有良好的全局搜索性能，能夠很好對(duì)函數(shù)進(jìn)行擬合。同時(shí) PSO算法還具有參數(shù)少，收斂速度快等優(yōu)點(diǎn)，故本文采用 PSO 算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)，并建立基于 PSO 算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的工程估價(jià)模型。2.5 PSO 算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)的意義隨著對(duì)人工智能技術(shù)的深入研究，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練逐步成為重點(diǎn)研究問題。傳統(tǒng)算法

圖 3.1 數(shù)據(jù)處理圖Fig. 3.1 Data processing graph.1.2 基于 SPSS 的相關(guān)矩陣分析SPSS for Windows 目前已經(jīng)開發(fā)至 SPSS12 版本，是一個(gè)組合式軟件包。軟件的基能主要有數(shù)據(jù)管理、輸出管理、圖表分析以及統(tǒng)計(jì)分析等，能夠良好地對(duì)數(shù)據(jù)進(jìn)行整分析。產(chǎn)品用戶可以根據(jù)計(jì)算機(jī)的配置和實(shí)際需要來(lái)選擇模塊，以降低軟件對(duì)系統(tǒng)硬量的硬性要求，利于該軟件的推廣與應(yīng)用。此外，SPSS for Windows 易學(xué)易用，分析直觀、清晰，并可以直接導(dǎo)入 EXCEL 及 DBF 等數(shù)據(jù)文件。本文采用 SPSS for Windows 軟件的因子分析工具，對(duì)影響工程估價(jià)的因素做相關(guān)性分析。輸入從工程量清單中統(tǒng)計(jì)出來(lái)的 19 個(gè)因素的數(shù)據(jù)資料進(jìn)行相關(guān)性降維分析，了各個(gè)因素之間的相關(guān)性矩陣見表 3.1。由于平米造價(jià)是要預(yù)測(cè)的數(shù)據(jù)，所以表中數(shù)平米造價(jià)的相關(guān)性越大越好，其余數(shù)據(jù)之間相關(guān)性越小越好。從表中數(shù)據(jù)可以看出建積和樁基礎(chǔ)以及砌筑的相關(guān)性較大，刪除；土石方和樁基礎(chǔ)有較大相關(guān)性，刪除；鋼凝土工程和砌筑、樁基礎(chǔ)及防水保溫都有較大相關(guān)性，刪除；措施項(xiàng)目和砌筑及防水有較大相關(guān)性，刪除；措施項(xiàng)目費(fèi)、規(guī)費(fèi)、稅金、人工指數(shù)調(diào)增這 4 個(gè)因素和其他因

參數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通過(guò)函數(shù) sim 實(shí)現(xiàn)，軟件根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，對(duì)可以以任意精度逼近任意函數(shù)，并可以模擬現(xiàn)實(shí) MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱，用 BP 神經(jīng)網(wǎng)絡(luò)擬合三指數(shù)函數(shù)）來(lái)測(cè)試 BP 神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力a 多項(xiàng)式擬合 b 正弦函數(shù)
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 毛志兵;;從人工智能到智慧工地 迎接建造方式的新變革[J];中國(guó)勘察設(shè)計(jì);2017年08期

2 ;人工智能深度學(xué)習(xí)可以比擬人類視力[J];大數(shù)據(jù)時(shí)代;2017年03期

3 陳廣銀;;神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測(cè)中的應(yīng)用研究[J];科技創(chuàng)新導(dǎo)報(bào);2017年13期

4 毛健;趙紅東;姚婧婧;;人工神經(jīng)網(wǎng)絡(luò)的發(fā)展及應(yīng)用[J];電子設(shè)計(jì)工程;2011年24期

5 王盛玉;曾碧卿;胡翩翩;;基于卷積神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的中文情感分析[J];計(jì)算機(jī)工程;2017年08期

6 邢廣成;強(qiáng)天偉;;人工神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用[J];科技風(fēng);2012年15期

7 李運(yùn)爽,武建軍;人工智能的原理及應(yīng)用[J];山西電子技術(shù);2004年02期

8 陳慧萍,何坤金;人工神經(jīng)網(wǎng)絡(luò)發(fā)展的若干哲學(xué)思考[J];河海大學(xué)常州分校學(xué)報(bào);2003年01期

9 張廷炘;人工智能、神經(jīng)網(wǎng)絡(luò)與光學(xué)[J];物理;1994年10期

10 盧子謙;;關(guān)于中國(guó)通信中的神經(jīng)網(wǎng)絡(luò)的發(fā)展研究[J];信息系統(tǒng)工程;2017年08期

相關(guān)博士學(xué)位論文 前10條

1 葉青;人工智能方法在估價(jià)領(lǐng)域的研究與應(yīng)用[D];華僑大學(xué);2011年

2 余紹德;卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)在癌癥影像分析中的研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院);2018年

3 吳靜;入侵檢測(cè)中神經(jīng)網(wǎng)絡(luò)融合學(xué)習(xí)方法的研究[D];吉林大學(xué);2010年

4 劉天楨;基于多維數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)與分布式計(jì)算研究[D];武漢理工大學(xué);2008年

5 韓琦;神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性及其在聯(lián)想記憶中的應(yīng)用研究[D];重慶大學(xué);2012年

6 馬進(jìn);基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的鍋爐汽水系統(tǒng)模型參數(shù)優(yōu)化[D];華北電力大學(xué)（河北）;2009年

7 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

8 張超;高階神經(jīng)網(wǎng)絡(luò)的梯度訓(xùn)練算法收斂性分析[D];大連理工大學(xué);2008年

9 吳森森;地理時(shí)空神經(jīng)網(wǎng)絡(luò)加權(quán)回歸理論與方法研究[D];浙江大學(xué);2018年

10 張振敏;基于脈沖神經(jīng)網(wǎng)絡(luò)的紋理圖像識(shí)別研究[D];福建師范大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 劉雅楠;基于人工智能的建筑工程估價(jià)研究[D];沈陽(yáng)建筑大學(xué);2016年

2 李運(yùn)爽;混合型專家系統(tǒng)的設(shè)計(jì)及其在材料設(shè)計(jì)中的應(yīng)用[D];河北工業(yè)大學(xué);2005年

3 宋玉強(qiáng);人工神經(jīng)網(wǎng)絡(luò)在時(shí)間序列預(yù)測(cè)中的應(yīng)用研究[D];西安建筑科技大學(xué);2005年

4 張凱嵐;基于案例推理與神經(jīng)網(wǎng)絡(luò)的建筑成本預(yù)測(cè)研究[D];吉林大學(xué);2017年

5 王敏;神經(jīng)網(wǎng)絡(luò)方法在套損預(yù)測(cè)中的應(yīng)用研究[D];大慶石油學(xué)院;2007年

6 王越;基于神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害診斷方法研究[D];東北師范大學(xué);2007年

7 劉闖;人工神經(jīng)網(wǎng)絡(luò)和基于案例推理相結(jié)合用于故障診斷[D];南京航空航天大學(xué);2005年

8 黃江華;人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用[D];中南大學(xué);2006年

9 張映梅;人工神經(jīng)網(wǎng)絡(luò)在小麥吸漿蟲預(yù)測(cè)中的應(yīng)用[D];西北農(nóng)林科技大學(xué);2003年

10 李艷環(huán);人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用[D];重慶大學(xué);2004年

本文編號(hào)：2885837