下载文档原格式
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。
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【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。
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。
