杨高翔[1]2003年在《模糊神经网络在工程快速估价中的应用》文中进行了进一步梳理随着中国改革开放和市场经济的不断深入，中国建筑企业在面临很好的机遇的同时，也面临着严峻的考验。现在的市场竞争机制已表现得越来越明显，他要求我们提高效率，尽快拿出自己招投标方案，但是传统的预算方法以及现行的计算软件都必须花费较长的时间才能计算出结果，而且计算的结果准确度还不是很高。怎样解决这个问题，成了建筑界的热门话题。同时作为建设方的业主，他们同样对快速预算很感兴趣。因为确定工程造价是建设工作中十分重要的一环，在不同阶段有着不同的方法。如建设前期的工程造价估算、初步设计阶段编制概算、施工图设计阶段编制预算，特别是建设前的估算是我们工作的重点，因为它是我们进行成本控制的起点。对于建设单位而言，它们不仅能在进行设计招标之前大致确定该工程的造价，而且还能在工程施工招标前定出合理的标底。可见快速预算有其很现实的发展研究背景。近几年许多学者都在这方面努力探索，并取得了很好成果。 神经网络和模糊数学的快速发展应用为工程快速预算提供了很好的思路。本文阐述了模糊数学和神经网络的结合原理，建立了基于模糊神经网络和工程预算原理的工程快速估价的模型，并通过住宅建筑估价模型的建立，说明模型的实现方法且验证其实用性。
刘婧[2]2013年在《基于BP、RBF及GAAA-RBF神经网络的工程估价方法》文中研究指明在建设项目前期，快速而准确的估算出工程项目的造价，对项目的投资决策具有十分重要的意义。随着智能算法的深入研究，工程估价领域出现了许多新的预测方法，如多元回归、神经网络、案例推理、遗传算法、小波分析等。论文提出一种利用蚁群算法对径向基神经网络的结构参数进行组合优化的改进智能算法，并将该算法用于建筑工程造价的快速估算。论文首先收集了70组中标工程数据，在充分理解和学习数据预处理技术的基础上，结合工程造价数据的具体特征，提出了包括数据清洗、数据转换和数据约简等内容的数据预处理方法和流程，得到55组可利用的工程案例库，为后续建模提供数据基础。其次，本文分别建立了基于改进BP神经网络工程估价模型、调用NEWRB函数的RBF神经网络和基于K-均值聚类的RBF神经网络两种工程估价模型，并对3种模型进行比对分析。分析结果表明：BP神经网络在构建相对困难，需要定义很多复杂的参数如学习速率、动量因子的大小、隐含层节点数目等，这些参数的设计并没有严格的理论指导，需要进行估计。RBF神经网络无论是采用何种构建方法，构建起来均相对简单，当调用NEWRB函数构建RBF时，其性能主要取决于分布宽度spread，而基于K均值聚类的RBF神经网络主要取决于重迭系数和隐含层数。整体来说,基于K均值聚类的RBF神经网络的学习速度更快、预测精度更高，但是学习效果有待提高。最后，为了能进一步提高基于K均值聚类的RBF神经网络的学习效果和预测精度，本文引进了遗传-蚁群混合算法对RBF的主要结构参数中心矢量、基宽向量和网络权重进行组合优化，建立基于改进蚁群算法的RBF神经网络工程估价模型。并结合厦门市中标工程数据进行学习仿真，仿真结果表明，该通过参数优化的RBF神经网络工程造价预测模型，预测误差在5%以内，网络泛化能力更优越，可用于实际工程造价的辅助估算。
黄月[3]2014年在《基于数理模型的建筑工程造价估算方法的研究》文中研究表明工程造价领域包括的内容很多,从业人员必须提高工作效率才能创造更多的价值。因此,如何快速估算建筑工程的造价便成为此领域需要重点研究的内容。在项目可行性研究阶段,我们有必要估算出工程造价,以便将来作为招投标标底的依据。因此,在工程建设的前期,我们必须估算工程造价来控制投资成本。如何准确快速的建立估价预测模型是人们需要解决的实际问题,工程造价的估算方法有很多,但这些方法都存在着缺陷,精度不高。如何在确保精度的前提下,又能快速估价,是目前需要研究的重点。传统的估价方法有很多种,但它们的计算结果精度不高,误差较大,随着计算机的不断发展,人们逐渐将数理模型与计算机相结合,寻求一种满意的估价模型,来解决工程中的一些问题。本文主要介绍了模糊数学法、灰色理论法、神经网络法,模糊数学与灰色理论能有效的解决相似度的问题,对待估工程的造价估算起到了画龙点睛的作用,神经网络对样本的训练与测试也促进了建筑工程的快速估价。将这叁种方法用于工程造价中,误差都可以控制在允许的范围之内,本文通过分析大量的工程实例,建立数据库,将理论与实际相结合,挑选出影响工程造价的几个主要因素,应用模糊数学和灰色理论分别估算待估工程的造价值,并在此基础上,提出了灰色模糊神经网络模型,即根据模糊贴近度和灰色关联度筛选出与拟建工程最为相似的工程项目,并将其作为BP神经网络的训练样本,将样本数据进行量化分析与归一化处理,通过多轮次的计算,不断确定网络的权值和阈值,直到满意为止。根据误差计算结果,可以得出结论,灰色模糊神经网络的精度高于单独使用模糊数学模型和灰色理论模型,而且克服了过去的缺点,灵活性更好,更能让人满意,实现了对建筑工程造价快速预估的目的,为建筑工程造价的研究提供了一种新的解决方法。MATLAB中的神经网络工具箱里面设置了有关BP人工神经网络的相关函数,本文通过工程实例介绍了神经网络工具箱中NNTool的功能,叙述了如何利用NNTool对建筑工程进行训练与测试,并介绍了训练过程中各参数所表示的意义以及对样本的作用,详细的介绍了神经网络工具箱的操作步骤。
王伟[4]2013年在《基于改进的RBF输电线路工程投资估价优化研究》文中指出随着市场经济的发展，尤其在国家电网公司叁集五大体系之大建设管理标准化、规范化和专业化的目标引领下，在提高电网工程基建成本控制水平的要求下，传统定额概预算制度已经无法完全满足工程建设的需要，有必要引用广泛应用历史数据估算工程投资造价的智能模型来解决这一问题。近二十年来，模糊数学算法、线性回归、灰色理论估算法、各种智能算法被陆续应用于房地产及路桥等项目的工程估价预测中，但相对而言模糊数学及灰色理论所建立的模型和算法设计较为简单，模型构建的假设条件和因素忽略较多，而神经网络所涉及的BP算法的收敛性、鲁棒性以及泛化性较差。本文基于遗传算法改进的RBF神经网络输电线路工程投资估价研究提出一种基于遗传算法优化RBF神经网络的数据智能学习改进算法，并将该算法应用于输电线路工程投资估价。论文一方面介绍了人工智能技术、神经网络理论及遗传算法的基本理论，对现有常用的神经网络估价模型进行了详细的分析和研究，指出了神经网络结构自身的缺陷及良好的泛化能力，为了尽量减少主观因素对结果的影响，进一步提出了基于遗传算法优化的RBF神经网络估价模型，充分利用遗传算法的全局搜索特性，将RBF神经网络的宽度、中心及隐含层权值一起，通过遗传算法进行自我修正，从而大大提高模型计算结果的精度。另一方面，根据所收集的110KV输电线路工程投资造价数据，运用SPSS成分分析法提取影响工程项目造价的主要因素作为模型输入特征向量，基于提出的GA优化RBF神经网络的估价模型，将收集的样本数据进行整理、分析、初始化，以MATLAB为平台进行仿真模拟分析，验证了该模型不仅计算简便、快捷，且具有较高的计算精度。最后提出该方法不仅可以对新建工程的造价进行合理预测和估算，也可以对历史工程造价的合理性进行验证分析，还可以在招投标中实现快速报价，在工程建设领域具有较好的实际应用价值。同时，在文章的最后对全文进行了总结和展望，指出了进一步的研究方向。
任建华[5]2004年在《基于遗传神经网络的投标报价系统的研究》文中研究指明本文针对建筑行业投标报价过程中的种种难题，利用遗传算法和神经网络等人工智能技术开发一套投标报价决策支持系统。全文主要的研究内容和研究成果概括如下： 针对建筑行业投标报价过程中难以确定“投标形势”的难题，使用遗传算法和神经网络的结合来实现建筑工程投标报价模型，克服了BP神经网络学习效率慢，局部极小等缺陷。实验结果表明：使用遗传算法和神经网络结合的投标报价模型更加符合实际的报价需要。 遗传算法具有良好的全局搜索性，将它应用于网络权值学习可以克服BP算法的局部极小缺陷。本文把随机抽取的m组权值分配到m个神经网络中。然后将经过0-1数字化处理的训练集样本送入网络，利用BP算法训练网络得出m组权值；之后采用实数编码，将神经网络的权重作为GA的染色体，生成基因群体，再使用遗传算法寻优，使解码得到的参数组合充分接近最佳参数组合，在此基础上再用BP算法对它们进行细调，从而来实现遗传算法和神经网络的结合，完成对投标快速报价系统的建模。 在合理建模的基础上，使用MATLAB软件上进行了初步实现，并将从大量工程实测中得来的数据作为样本对网络进行了训练，同时作了实测检验。
张彤[6]2009年在《基于灰色RBF神经网络集成的工程快速估价研究》文中指出确定工程造价是建设工作的重要内容,特别是建设前期的工程估算对于招投标和成本控制尤为重要。因为它是工程项目成本控制的起点,也是成本控制的基础。建立符合实际的预测模型,准确而快速的估算工程造价具有重要的理论意义和实用价值。以往的工程造价估算模型大都只采用了灰色系统或神经网络,由于各自都存在着缺陷,从而限制了它的实用性。本文结合灰色系统和神经网络的优点,建立了基于灰色RBF神经网络集成的工程快速估价模型。该模型即对于同一个问题,分别从不同角度建立各自的神经网络模型,通过串联RBF神经网络输入层的灰色一次累加和输出层的灰色一次累减而减小其随机性,得到不同的预测值,然后将这些预测值经过神经网络最优集成,最终得到统一的输出结果。为验证所提模型的有效性和可靠性,结合工程实例以多层框架结构作为研究对象。将收集到的40个样本,选30个样本作为训练样本,其余10个样本作为测试样本。首先,将影响工程造价的8个主要因素从两个角度进行分析,前七个归为影响造价的一些规模因素,最后一个归为外在影响因素。通过工程特征向量量化和数据的灰色一次累加及归一化处理后,运用MATLAB自编程序,分别从两个角度进行预测,将所得结果经过反归一化及灰色累减后,最后再经过最优集成得到最终结果。文中还采用整体灰色RBF、RBF神经网络、BP神经网络模型进行了工程造价预测,通过比较分析得出:RBF神经网络模型预测误差小于BP神经网络,灰色RBF模型预测误差小于RBF神经网络模型,而灰色RBF神经网络集成模型的预测误差最小。该方法可以显着提高预测精度,具有很强的实用性和推广价值。
张利荣[7]2010年在《多基元模糊算法在工程估价中的应用》文中研究说明多基元算法把工程项目划分为多个可算基元,再应用模糊数学方法计算各个基元的价格,最后汇总得到估算总价。基于多基元模糊算法的计算原理,建立数学模型进行分析计算,通过工程应用实例,比较多基元模糊算法和单价法的估价结果。结果表明,多基元模糊算法具有适应性强、使用快捷、结果精确等特点,且与其他估价方法能相容并结合使用。
张毅[8]2007年在《工程量清单计价模式下竞争性投标报价决策方法研究》文中进行了进一步梳理随着我国工程建设市场市场经济体制的深入发展,特别是我国加入WTO后,传统的以统一定额为计价依据的投标报价模式己不适应市场化经济发展的需要。为了推动我国的造价改革及与国际惯例接轨,我国建筑业在2003年7月1日正式实施了《建设工程工程量清单计价规范》(2003)。水电水利规划设计总院也组织开展了水电建设工程工程量清单计价规范的编制工作,并于2005年4月发布《水电建设工程工程量清单计价规范(试行本)》。虽然如此,但是在实际操作中有许多施工企业仍然沿用定额计价的方式,这表明施工企业对工程量清单计价的方式还不够重视和了解,或者是受自身技术、管理水平的限制无法采用清单计价。为了适应目前在工程招投标竞争中由市场形成工程报价的需要,必须对现行工程计价方法和工程报价体系进行改革,实行工程量清单计价和以工程量清单计价基础、由市场定价、自主报价的投标报价模式。工程量清单计价模式是一种与市场经济相适应的、允许承包单位自主报价的、通过市场竞争确定价格的、与国际惯例接轨的计价模式,也是目前国际上通用的报价模式。针对上述情况,本文首先从入世对我国工程造价行业的影响入手,分析了传统的统一定额计价模式的滞后性,指出统一定额计价早已不适应建筑市场的发展,必须实行改革。目前工程造价的改革对报价人员的知识与经验也提出了更高的要求。建立新的报价管理体系,首先要树立市场经济观念,按照市场经济下工程造价形成与确定规律来建立企业的工程报价管理体系;其次,工程报价应在准确估计成本的基础上通过分析竞争情况来确定。在此基础上,本文提出了基于市场经济要求的报价体系应实现的目标。本文在新的报价体系基础上,利用模糊数学中最大隶属度及模糊综合评判理论,确定了报价隶属度函数及优势报价区间。同时,通过对影响投标报价报高率的各方面因素进行分析,建立了报高率与中标率的模糊正态关系式。根据招投标工程项目的影响因素,提出将工程招标项目划分为五种情况,区别对待,按照分属不同类型来确定报高率,并建立了类型划分的模糊综合评判模型,最终确定投标报价。报价分析应包括多角度、多层面的分析,因此,建立了投标报价模型后,本文还对其他各方面的投标报价分析进行了探讨,主要包括盈亏平衡分析、报价利润分析、敏感性分析、风险分析几个部分。最后,简要介绍了计算机及网络技术在投标报价中的应用。
叶青[9]2011年在《人工智能方法在估价领域的研究与应用》文中认为随着计算机科学与技术的高速发展,人工智能技术已渗透到各学科领域和各行各业,人工智能的理论、方法与应用研究是当前非常热点的课题。本文就人工智能方法在估价领域的应用进行系统研究,研究其在土地估价、房地产估价、工程估价等估价领域的综合应用。一方面,本文系统阐述了土地估价、房地产估价、工程估价的理论基础,剖析了BP(Back Propagation)神经网络及其改进原理、径向基函数(Radical Basis Function,简称RBF)神经网络和案例推理的理论基础及基于人工神经网络的专家系统设计原理。选用Surfer和ArcGIS这两种地理信息处理软件分别建立数字地价模型,进行可视化地价分析与管理;选用SPSS统计分析软件,根据各个变量之间的相关性分析确定工程造价的主要影响因素。另一方面,采用调查研究与实际检验,理论与实践相结合的的研究方法,系统分析并构建科学合理的人工智能方法在估价领域中的应用模型。以厦门市土地价格评估为例,建立了基于BP神经网络的土地估价模型;以厦门市住宅用地样点地价为例,建立了基于Surfer和ArcGIS的数字地价模型;以厦门市住宅房地产价格评估为例,建立了基于改进BP神经网络的房地产估价模型。此外,将厦门市55个工程造价指标汇编成案例库,系统阐述了基于RBF神经网络的工程估价模型的建立过程,基于案例推理的工程估价模型的建立过程和基于RBF神经网络的工程估价专家系统的建立过程。构建的基于人工神经网络的专家系统,利用具有极强自学习能力和能够高效应对网络参数之间的高度非线性关系的RBF神经网络,解决了案例推理方法应用于估价领域时案例之间的相似性度量难以确定的问题。采用案例推理的方法对神经网络的推理结果作出合理修正和解释,解决了神经网络的黑箱决策过程,得到了可以接受的结果。研究结果表明,神经网络、案例推理、基于人工神经网络的专家系统等人工智能方法可以有效地应用于土地估价、房地产估价和工程估价等估价领域,不仅具有重要的理论意义,而且具有较高的实用价值。
赵旻[10]2010年在《BP神经网络在轨道交通沿线周边房地产估价中的研究》文中提出随着我国市场经济的发展,房地产产业蓬勃兴起,但近年来房地产泡沫威胁着我国的经济安全和民生稳定,房地产估价有助于推动房地产价格的规范化正常化,构建健康合理的房地产市场交易秩序。但目前我国房地产估价理论水平低,而市场对估价工作的需求日益增长,房地产估价方式需要朝定量化、精度化拓展,因此借助计算机等模型探索更为科学合理的估价模式具有极为重要的理论意义和现实意义。本文在对国内外研究现状及房地产估价格适用条件、方法和环节等方面进行系统分析的基础上,发现估价中容易出现的问题。针对房地产估价的偏差进行一定的社会经济影响分析,对我国出让土地的招拍挂制度改革进行了初步探讨。本文选取当今各大中城市积极推进的城市轨道交通建设为研究角度,在研究城市轨道交通对周围土地、商业、住宅等房地产具有正的外部性的基础上,分析轨道交通站点对于周边商品房住宅价格的影响因素,选取这些主要影响因素,搜集相关数据。采用MATLAB神经网络工具箱建立了BP神经网络的房地产估价模型。选用Levenberg-Marquardt优化方法为训练算法,对一组已经成交的房地产案例进行训练和验证,得到了满意的结果。实践证明,运用BP神经网络可以拓展房地产估价方法,可以提高估价精度,可以作为检验估价人员结果的重要参考资料。最后并且运用SPSS软件进行因子分析,总结出影响轨道交通站点周边房地产价格的六大因子,为今后研究同一领域相关问题提供理论铺垫。
参考文献：
[1]. 模糊神经网络在工程快速估价中的应用[D]. 杨高翔. 大连理工大学. 2003
[2]. 基于BP、RBF及GAAA-RBF神经网络的工程估价方法[D]. 刘婧. 华侨大学. 2013
[3]. 基于数理模型的建筑工程造价估算方法的研究[D]. 黄月. 沈阳建筑大学. 2014
[4]. 基于改进的RBF输电线路工程投资估价优化研究[D]. 王伟. 华北电力大学. 2013
[5]. 基于遗传神经网络的投标报价系统的研究[D]. 任建华. 辽宁工程技术大学. 2004
[6]. 基于灰色RBF神经网络集成的工程快速估价研究[D]. 张彤. 西安建筑科技大学. 2009
[7]. 多基元模糊算法在工程估价中的应用[J]. 张利荣. 施工技术. 2010
[8]. 工程量清单计价模式下竞争性投标报价决策方法研究[D]. 张毅. 山东农业大学. 2007
[9]. 人工智能方法在估价领域的研究与应用[D]. 叶青. 华侨大学. 2011
[10]. BP神经网络在轨道交通沿线周边房地产估价中的研究[D]. 赵旻. 北京交通大学. 2010
标签：建筑科学与工程论文; 自动化技术论文; 投标报价论文; 遗传算法论文; 模糊神经网络论文; 灰色理论论文; 预测模型论文; rbf神经网络论文; 模糊理论论文; 灰色模型论文; 房地产业论文; bp算法论文; bp神经网络算法论文;