工程項目造價的確定是工程項目管理的重要內(nèi)容之一,但由于工程項目投資階段所掌握的工程信息十分有限,建筑工程造價的估算普遍存在誤差大,編制時間久等缺點。隨著計算機科學(xué)的不斷發(fā)展,智能優(yōu)化技術(shù)已經(jīng)滲透到各個研究領(lǐng)域,其中人工智能理論是當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模型,對建筑工程估價進行預(yù)測,并通過實例驗證其有效性。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,為驗證粒子群算法良好的尋優(yōu)性能,用兩種簡單的基本函數(shù)測試算法的性能,測試結(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,為驗證人工神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力,在MATLAB軟件中實現(xiàn)用BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)對三種基本函數(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)實中任意非線性映射。接下來應(yīng)用粒子群算法對神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化,通過改變粒子群的粒子數(shù)目、慣性權(quán)重和進化代數(shù)來優(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模型。采用理論與實際相結(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模型。首先,以沈陽近一年的31個已建工程造價信息為樣本,采用SPSS軟件分析影響工程造價的各特征因素和平米造價之間的相關(guān)性,并通過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)的建筑工程估價模型,應(yīng)用MATLAB軟件編程實現(xiàn)樣本訓(xùn)練和測試,并驗證模型的實用性,測試結(jié)果顯示兩模型誤差均在要求范圍內(nèi)。最后,以31個已建工程造價信息為數(shù)據(jù)建立Access案例庫,并運用VBA計算機語言進行編程來實現(xiàn)案例的檢索過程,從而建立了基于案例推理的建筑工程估價模型,對建筑工程估價進行預(yù)測,預(yù)測結(jié)果誤差較小,證明該模型具有實用價值。
【學(xué)位單位】：沈陽建筑大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2016
【中圖分類】：TU723.3
【部分圖文】：

a.多項式函數(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 求得的多項式函數(shù)最小值 0.0253（對應(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（對應(yīng)自變量取值：0.306e-5，-0.015e-5）與其理論最小值 4（對應(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，能夠很好對函數(shù)進行擬合。同時 PSO算法還具有參數(shù)少，收斂速度快等優(yōu)點，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)計分析等，能夠良好地對數(shù)據(jù)進行整分析。產(chǎn)品用戶可以根據(jù)計算機的配置和實際需要來選擇模塊，以降低軟件對系統(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，對影響工程估價的因素做相關(guān)性分析。輸入從工程量清單中統(tǒng)計出來的 19 個因素的數(shù)據(jù)資料進行相關(guān)性降維分析，了各個因素之間的相關(guān)性矩陣見表 3.1。由于平米造價是要預(yù)測的數(shù)據(jù)，所以表中數(shù)平米造價的相關(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；措施項目和砌筑及防水有較大相關(guān)性，刪除；措施項目費、規(guī)費、稅金、人工指數(shù)調(diào)增這 4 個因素和其他因

參數(shù)對網(wǎng)絡(luò)進行訓(xùn)練。通過函數(shù) sim 實現(xiàn)，軟件根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，對可以以任意精度逼近任意函數(shù)，并可以模擬現(xiàn)實 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)）來測試 BP 神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近能力a 多項式擬合 b 正弦函數(shù)
【相似文獻】

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];中國勘察設(shè)計;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)時代;2017年03期

3 陳廣銀;;神經(jīng)網(wǎng)絡(luò)在環(huán)境監(jiān)測中的應(yīng)用研究[J];科技創(chuàng)新導(dǎo)報;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];計算機工程;2017年08期

6 邢廣成;強天偉;;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;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];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進技術(shù)研究院);2018年

3 吳靜;入侵檢測中神經(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;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研究[D];沈陽建筑大學(xué);2016年

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

3 宋玉強;人工神經(jīng)網(wǎng)絡(luò)在時間序列預(yù)測中的應(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：2885837