本文選題：智能算法 + 工程估價(jià)��； 參考：《華僑大學(xué)》2013年碩士論文

【摘要】：在建設(shè)項(xiàng)目前期，快速而準(zhǔn)確的估算出工程項(xiàng)目的造價(jià)，對(duì)項(xiàng)目的投資決策具有十分重要的意義。隨著智能算法的深入研究，工程估價(jià)領(lǐng)域出現(xiàn)了許多新的預(yù)測(cè)方法，如多元回歸、神經(jīng)網(wǎng)絡(luò)、案例推理、遺傳算法、小波分析等。論文提出一種利用蟻群算法對(duì)徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)進(jìn)行組合優(yōu)化的改進(jìn)智能算法，并將該算法用于建筑工程造價(jià)的快速估算。 論文首先收集了70組中標(biāo)工程數(shù)據(jù)，在充分理解和學(xué)習(xí)數(shù)據(jù)預(yù)處理技術(shù)的基礎(chǔ)上，結(jié)合工程造價(jià)數(shù)據(jù)的具體特征，提出了包括數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換和數(shù)據(jù)約簡(jiǎn)等內(nèi)容的數(shù)據(jù)預(yù)處理方法和流程，得到55組可利用的工程案例庫(kù)，為后續(xù)建模提供數(shù)據(jù)基礎(chǔ)。 其次，本文分別建立了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)工程估價(jià)模型、調(diào)用NEWRB函數(shù)的RBF神經(jīng)網(wǎng)絡(luò)和基于K-均值聚類的RBF神經(jīng)網(wǎng)絡(luò)兩種工程估價(jià)模型，并對(duì)3種模型進(jìn)行比對(duì)分析。分析結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)在構(gòu)建相對(duì)困難，需要定義很多復(fù)雜的參數(shù)如學(xué)習(xí)速率、動(dòng)量因子的大小、隱含層節(jié)點(diǎn)數(shù)目等，這些參數(shù)的設(shè)計(jì)并沒有嚴(yán)格的理論指導(dǎo)，需要進(jìn)行估計(jì)。RBF神經(jīng)網(wǎng)絡(luò)無論是采用何種構(gòu)建方法，構(gòu)建起來均相對(duì)簡(jiǎn)單，當(dāng)調(diào)用NEWRB函數(shù)構(gòu)建RBF時(shí)，其性能主要取決于分布寬度spread，而基于K均值聚類的RBF神經(jīng)網(wǎng)絡(luò)主要取決于重疊系數(shù)和隱含層數(shù)。整體來說,基于K均值聚類的RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)速度更快、預(yù)測(cè)精度更高，但是學(xué)習(xí)效果有待提高。 最后，為了能進(jìn)一步提高基于K均值聚類的RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果和預(yù)測(cè)精度，本文引進(jìn)了遺傳-蟻群混合算法對(duì)RBF的主要結(jié)構(gòu)參數(shù)中心矢量、基寬向量和網(wǎng)絡(luò)權(quán)重進(jìn)行組合優(yōu)化，建立基于改進(jìn)蟻群算法的RBF神經(jīng)網(wǎng)絡(luò)工程估價(jià)模型。并結(jié)合廈門市中標(biāo)工程數(shù)據(jù)進(jìn)行學(xué)習(xí)仿真，，仿真結(jié)果表明，該通過參數(shù)優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)工程造價(jià)預(yù)測(cè)模型，預(yù)測(cè)誤差在5%以內(nèi)，網(wǎng)絡(luò)泛化能力更優(yōu)越，可用于實(shí)際工程造價(jià)的輔助估算。
[Abstract]:In the early stage of the construction project, it is very important to estimate the cost of the project quickly and accurately, which is very important to the investment decision of the project. With the development of intelligent algorithms, there are many new prediction methods in the field of engineering evaluation, such as multivariate regression, neural network, case-based reasoning, genetic algorithm, wavelet analysis and so on. In this paper, an improved intelligent algorithm based on ant colony algorithm is proposed to optimize the structural parameters of radial basis function neural network, and the algorithm is used to estimate the construction cost quickly. Firstly, 70 groups of winning engineering data are collected. On the basis of fully understanding and studying the data preprocessing technology, combined with the specific characteristics of the engineering cost data, the data cleaning is proposed. The data preprocessing method and flow chart of data conversion and data reduction are used to obtain 55 groups of available engineering case bases, which provide the data basis for subsequent modeling. Secondly, two engineering evaluation models based on improved BP neural network, RBF neural network based on NEWRB function and RBF neural network based on K-means clustering are established, and the three models are compared and analyzed. The analysis results show that it is relatively difficult to construct the WBP neural network, and many complicated parameters such as learning rate, momentum factor size, number of hidden layer nodes, etc., need to be defined. The design of these parameters is not strictly guided by theory. No matter what method is used to construct the. RBF neural network, it is relatively simple to construct. When the NEWRB function is called to build the RBF, Its performance mainly depends on the spread of distribution width, while the RBF neural network based on K-means clustering mainly depends on the overlap coefficient and the number of hidden layers. On the whole, RBF neural network based on K-means clustering has faster learning speed and higher prediction accuracy, but the learning effect needs to be improved. Finally, in order to further improve the learning effect and prediction accuracy of RBF neural network based on K-means clustering, this paper introduces the genetic ant colony hybrid algorithm to the center vector of main structural parameters of RBF. The RBF neural network engineering evaluation model based on the improved ant colony algorithm is established by combining the base width vector and the network weight. Based on the engineering data of Xiamen City, the simulation results show that the prediction error is less than 5%, and the generalization ability of the network is better. It can be used to estimate the actual engineering cost.
【學(xué)位授予單位】：華僑大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2013
【分類號(hào)】：TP183;TU723.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李會(huì)明;裴峻峰;齊明俠;羅紅梅;;RBF神經(jīng)網(wǎng)絡(luò)在往復(fù)泵故障診斷中的應(yīng)用[J];煤礦機(jī)械;2006年11期

2 高洪;侯大寅;李澤應(yīng);王軍;;RBF神經(jīng)網(wǎng)絡(luò)在織物風(fēng)格中的研究與應(yīng)用[J];安徽工程科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2006年03期

3 李勇;李春明;李秀娟;;基于RBF神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法的研究[J];機(jī)械工程與自動(dòng)化;2009年01期

4 楊偉;賈石峰;;基于RBF神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電機(jī)組故障診斷研究[J];電氣傳動(dòng)自動(dòng)化;2009年02期

5 劉紅;王國(guó)成;李航;;粗集—RBF神經(jīng)網(wǎng)絡(luò)在故障診斷中的應(yīng)用[J];裝備制造技術(shù);2010年06期

6 訾書宇;魏汝祥;周萍;;基于RBF神經(jīng)網(wǎng)絡(luò)的艦船維修費(fèi)預(yù)測(cè)[J];中國(guó)水運(yùn)(學(xué)術(shù)版);2007年05期

7 劉建霞;王芳;謝克明;;基于RBF神經(jīng)網(wǎng)絡(luò)的天線陣方向圖建模[J];太原理工大學(xué)學(xué)報(bào);2008年01期

8 張琳;;短期負(fù)荷預(yù)測(cè)系統(tǒng)中RBF組合模型的應(yīng)用[J];福建電腦;2009年03期

9 霍山;劉華清;;基于RBF神經(jīng)網(wǎng)絡(luò)的水輪機(jī)效率計(jì)算與應(yīng)用[J];水電站設(shè)計(jì);2009年02期

10 徐勇飛;王海林;;電控汽油機(jī)怠速RBF神經(jīng)網(wǎng)絡(luò)控制策略仿真研究[J];裝備制造技術(shù);2010年05期

相關(guān)會(huì)議論文 前10條

1 郭蘭平;俞建寧;張建剛;漆玉娟;張旭東;;改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)在城市公交車速時(shí)間序列預(yù)測(cè)中的應(yīng)用[A];2010重慶汽車工程學(xué)會(huì)年會(huì)論文專輯[C];2010年

2 張文廣;史賢俊;廖劍;李新;;RBF神經(jīng)網(wǎng)絡(luò)在慣導(dǎo)系統(tǒng)傳遞對(duì)準(zhǔn)中的應(yīng)用[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

3 丁迎迎;楊永健;沈發(fā)江;;RBF神經(jīng)網(wǎng)絡(luò)在水下目標(biāo)識(shí)別中的應(yīng)用研究[A];中國(guó)造船工程學(xué)會(huì)電子技術(shù)學(xué)術(shù)委員會(huì)2011年海戰(zhàn)場(chǎng)電子信息技術(shù)學(xué)術(shù)年會(huì)論文集[C];2011年

4 杜大軍;李雪;費(fèi)敏銳;白浩亮;宋揚(yáng);;基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的兩層網(wǎng)絡(luò)學(xué)習(xí)控制系統(tǒng)自學(xué)習(xí)模糊控制策略研究[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)A卷[C];2011年

5 王亞慧;程培新;趙亞丹;張桐;;針對(duì)時(shí)滯系統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)滑�？刂撇呗訹A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

6 劉載文;崔莉鳳;王小藝;呂思穎;;基于RBF神經(jīng)網(wǎng)絡(luò)的河湖水華軟測(cè)量方法[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

7 劉新功;吳蒙華;王元?jiǎng)?王邦國(guó);;基于RBF神經(jīng)網(wǎng)絡(luò)的鎳基TiN納米復(fù)合鍍層顯微硬度的預(yù)測(cè)研究[A];第14屆全國(guó)特種加工學(xué)術(shù)會(huì)議論文集[C];2011年

8 田艷兵;;BP算法和PSO算法在神經(jīng)網(wǎng)絡(luò)中的研究[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

9 張文廣;史賢俊;肖支才;李新;;基于RBF神經(jīng)網(wǎng)絡(luò)的導(dǎo)彈舵機(jī)系統(tǒng)故障檢測(cè)[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

10 李靜;胡云安;;時(shí)變RBF神經(jīng)網(wǎng)絡(luò)的逼近定理證明及其應(yīng)用分析[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)記者 李棟;珠海BP“危”中尋“機(jī)”[N];珠海特區(qū)報(bào);2009年

2 李高超;BP中國(guó)新任總裁陳黎明：油價(jià)沒有先知[N];國(guó)際商報(bào);2009年

3 本報(bào)記者 史豐蕾;詹姆斯·皮爾斯：BP漏油促能源保險(xiǎn)專業(yè)化[N];中國(guó)能源報(bào);2010年

4 記者 崔茉;BP能源展望：2030年油氣煤三足鼎立[N];中國(guó)石油報(bào);2011年

5 記者 陳其玨　編輯 朱賢佳;石油四巨頭出資10億欲為BP消災(zāi)[N];上海證券報(bào);2010年

6 媒體評(píng)論員 邱林;中國(guó)企業(yè)不必把收購(gòu)BP資產(chǎn)看太重[N];中國(guó)高新技術(shù)產(chǎn)業(yè)導(dǎo)報(bào);2010年

7 特派記者 張東明;全力支持BP在珠海的發(fā)展[N];珠海特區(qū)報(bào);2011年

8 記者 閆磊;美英石油巨頭“拷問日”共譴BP[N];經(jīng)濟(jì)參考報(bào);2010年

9 記者 程敏;BP模式對(duì)珠海企業(yè)具有良好示范作用[N];珠海特區(qū)報(bào);2008年

10 記者 宋陽(yáng);中石油攜手BP開發(fā)伊拉克油田[N];中國(guó)經(jīng)濟(jì)導(dǎo)報(bào);2009年

相關(guān)博士學(xué)位論文 前10條

1 牟洪波;基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)研究[D];東北林業(yè)大學(xué);2010年

2 趙斌;基于RBF網(wǎng)絡(luò)的北方溫室溫濕度控制機(jī)理的研究[D];東北林業(yè)大學(xué);2010年

3 薛富強(qiáng);進(jìn)化RBF神經(jīng)網(wǎng)絡(luò)分類器研究[D];解放軍信息工程大學(xué);2009年

4 杜大軍;網(wǎng)絡(luò)控制系統(tǒng)的學(xué)習(xí)和控制策略研究[D];上海大學(xué);2010年

5 呂士欽;RBF配點(diǎn)法在多層介質(zhì)熱傳導(dǎo)反問題中的應(yīng)用研究[D];太原理工大學(xué);2013年

6 夏祥華;曲線擬合和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)方法定量解析分子熒光光譜及其分析應(yīng)用研究[D];河北大學(xué);2013年

7 王吉權(quán);BP神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究[D];沈陽(yáng)農(nóng)業(yè)大學(xué);2011年

8 李勤道;基于爐內(nèi)參數(shù)測(cè)量的燃燒系統(tǒng)優(yōu)化運(yùn)行理論與技術(shù)的研究[D];華北電力大學(xué);2013年

9 李英偉;基于增量改進(jìn)BP神經(jīng)網(wǎng)絡(luò)微波深度干燥模型及應(yīng)用研究[D];昆明理工大學(xué);2011年

10 陳填銳;確定學(xué)習(xí)理論與智能振動(dòng)故障診斷[D];華南理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 王曉娟;基于模糊控制與RBF神經(jīng)網(wǎng)絡(luò)的桃病蟲害發(fā)生預(yù)測(cè)研究[D];河北農(nóng)業(yè)大學(xué);2011年

2 王麗霞;基于BP和RBF神經(jīng)網(wǎng)絡(luò)的光伏最大功率跟蹤對(duì)比研究[D];汕頭大學(xué);2010年

3 裴雪紅;基于改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)的PID控制[D];哈爾濱理工大學(xué);2010年

4 朱一嘉;基于RBF神經(jīng)網(wǎng)絡(luò)的金融時(shí)序列預(yù)測(cè)研究[D];北京化工大學(xué);2010年

5 李昆仲;基于RBF神經(jīng)網(wǎng)絡(luò)的邊坡穩(wěn)定性評(píng)價(jià)研究[D];長(zhǎng)安大學(xué);2010年

6 姚寧;基于差分進(jìn)化算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)的異步電機(jī)故障診斷研究[D];太原理工大學(xué);2011年

7 焦玉瑩;基于RBF神經(jīng)網(wǎng)絡(luò)的浮船塢浮態(tài)檢驗(yàn)系統(tǒng)辨識(shí)[D];大連海事大學(xué);2011年

8 史國(guó)強(qiáng);基于RBF神經(jīng)網(wǎng)絡(luò)的網(wǎng)頁(yè)分類技術(shù)研究[D];中國(guó)石油大學(xué);2011年

9 孟艷;協(xié)同進(jìn)化PSO算法優(yōu)化RBF網(wǎng)絡(luò)在齒輪箱故障診斷中的應(yīng)用[D];中北大學(xué);2011年

10 臧勝永;船舶航向非線性系統(tǒng)的模型參考神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制[D];大連海事大學(xué);2005年

本文編號(hào)：1952023