基于项目全生命周期的建筑施工企业诚信评价体系研究

发布时间：2020-04-15 23:03

【摘要】：建筑施工企业在建筑市场扮演着极其重要的角色,作为建筑工程项目的直接生产者,其诚信水平直接影响着施工安全和工程质量。本文基于工程项目的全生命周期对建筑施工企业诚信评价体系进行研究,主要研究内容包含以下几个方面。首先,以企业诚信数据模型作为评价模型的基础支撑,从省级建筑市场诚信一体化平台的数据库中提取与建筑施工企业有关的诚信数据,并通过数据的筛选、分类、约束,得到企业诚信评价所需的静态基础数据、动态业务数据和外部诚信评价数据;通过对各省采用的企业诚信评价指标的研究分析,构建分层次的指标体系模型,并给出评价指标体系与基础数据之间的映射关系。其次,基于本文的研究根本点和侧重点,建立用于施工企业诚信评价的规则模型,结合基础数据和指标体系给出具体评价打分规则,用输出结果定量描述企业的诚信水平。并通过对评价流程的研究建立施工企业诚信评价的过程模型,通过工作流、数据流、Petri网等约束了评价流程和步骤,保证了评价过程的科学合理。接下来在已经建立的评价模型基础上,从主观偏好与客观综合、具体分值与等级分类的角度考虑,分别引入两种算法求解模型。采用层次分析法得到基于主观赋权法的具体诚信评价得分,采用BP神经网络算法得到基于客观综合评价的诚信等级分类。分别提出两种算法的应用优化方向,并通过实例验证了两种算法的科学性和输出结果的一致性。最后,基于.NET Win Form窗体技术,应用Visual Studio软件、MATLAB软件和SQL Server数据库进行施工企业诚信评价管理系统的设计与开发,对系统进行需求分析、结构设计、功能设计等,实现对施工企业的诚信评价与监管。本文对施工企业诚信的评价模型、评价算法和系统进行研究,并进行实例应用与验证,建立了较为科学、合理、有效的、基于项目全生命周期的建筑施工企业诚信评价体系。
【图文】：

隐含层节点,训练时间,学习效率

个数过少会导致各层信息传输不全面，个数过多则会增加运算量，降低学习效率。通常在应用过程中，给定允许误差后，希望 BP 神经网络收敛较快，故本文依据几个经验公式确定隐含层神经元个数的取值范围，经过测试取其中最优解。本文所建立的基于 BP 神经网络的评价模型中，输入层的神经元个数为 45，输出层的神经元个数为 5，由公式 4-10、4-11、4-12，分别计算出隐含层节点的个数为：15、[8,17]、6，故依据经验公式，j 的取值区间为[6,17]。设定隐含层节点数由 6 至 17 递增，选择达到允许误差范围内收敛速度最快的节点数为最优。(2) 学习效率确定最后，学习效率的选择影响着网络收敛的速度。学习率设置偏小可以保证网络收敛，但是收敛较慢。相反，学习率设置偏大则有可能使网络训练不收敛，影响识别效果。下图 4-4 显示了将隐含层神经元个数设置由 6 至 17 循环遍历 5 次求均值的收敛时间比较结果，，显然，当隐含层个数为 8 时收敛最快。图 4-5 显示了学习效率由 0.01 至 0.5 之间取 12 个等分值输出的结果，由图易知，当学习效率取 0.23 时收敛最快。

学习效率,训练时间

个数过少会导致各层信息传输不全面，个数过多则会增加运算量，降低学习效率。通常在应用过程中，给定允许误差后，希望 BP 神经网络收敛较快，故本文依据几个经验公式确定隐含层神经元个数的取值范围，经过测试取其中最优解。本文所建立的基于 BP 神经网络的评价模型中，输入层的神经元个数为 45，输出层的神经元个数为 5，由公式 4-10、4-11、4-12，分别计算出隐含层节点的个数为：15、[8,17]、6，故依据经验公式，j 的取值区间为[6,17]。设定隐含层节点数由 6 至 17 递增，选择达到允许误差范围内收敛速度最快的节点数为最优。(2) 学习效率确定最后，学习效率的选择影响着网络收敛的速度。学习率设置偏小可以保证网络收敛，但是收敛较慢。相反，学习率设置偏大则有可能使网络训练不收敛，影响识别效果。下图 4-4 显示了将隐含层神经元个数设置由 6 至 17 循环遍历 5 次求均值的收敛时间比较结果，显然，当隐含层个数为 8 时收敛最快。图 4-5 显示了学习效率由 0.01 至 0.5 之间取 12 个等分值输出的结果，由图易知，当学习效率取 0.23 时收敛最快。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TU71;TP311.52

【参考文献】