基于数理模型的建筑工程造价估算方法的研究

发布时间：2018-07-21 13:39

【摘要】：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。将这三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。
[Abstract]:The field of engineering cost includes a lot of content, practitioners must improve their work efficiency to create more value. Therefore, how to estimate the construction cost quickly becomes the important research content in this field. It is necessary to estimate the project cost in the project feasibility study stage so as to serve as the basis for bidding in the future. Therefore, in the early stage of engineering construction, we must estimate the project cost to control the investment cost. It is a practical problem that how to set up accurate and fast evaluation and prediction model. There are many methods to estimate engineering cost, but these methods have defects and low accuracy. How to ensure the accuracy, and how to quickly evaluate, is the focus of the current research. There are many kinds of traditional valuation methods, but their accuracy is not high and the error is large. With the development of computer, people gradually combine mathematical model with computer to seek a satisfactory evaluation model. To solve some of the problems in the project. This paper mainly introduces the fuzzy mathematics method, the grey theory method, the neural network method, the fuzzy mathematics and the grey theory can effectively solve the similarity degree question, the estimate of the cost of the estimate project has played the important role. Neural network training and testing of samples also promote the rapid evaluation of construction projects. The error can be controlled within the allowable range by applying these three methods to the project cost. By analyzing a large number of engineering examples, establishing a database, combining theory with practice, this paper selects several main factors that affect the project cost. Applying fuzzy mathematics and grey theory to estimate the construction value of the project to be evaluated, a grey fuzzy neural network model is put forward, that is, according to the fuzzy closeness degree and grey correlation degree, the project which is most similar to the proposed project is selected. It is used as the training sample of BP neural network, the sample data is analyzed and normalized, and the weights and thresholds of the network are determined through the calculation of multiple rounds until satisfactory. According to the result of error calculation, it can be concluded that the precision of grey fuzzy neural network is higher than that of using fuzzy mathematical model and grey theory model alone, and it overcomes the shortcomings of the past, has better flexibility and is more satisfactory. The paper realizes the purpose of rapid estimate of construction cost, and provides a new solution for the study of construction cost. The related function of BP artificial neural network is set up in the neural network toolbox of MATLAB. This paper introduces the function of NNTool in neural network toolbox through engineering example, describes how to use NNTool to train and test building engineering, and introduces the significance of each parameter in the training process and its function to samples. The operation steps of neural network toolbox are introduced in detail.
【学位授予单位】：沈阳建筑大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TU723.3

【相似文献】

中国期刊全文数据库 前10条

1 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

2 常国任;李仁松;沈医文;刘钢;;基于神经网络的直升机舰面系统效能评估[J];舰船电子工程;2007年03期

3 陈俊;;神经网络的应用与展望[J];佛山科学技术学院学报(自然科学版);2009年05期

4 许万增;;神经网络的研究及其应用[J];国际技术经济研究学报;1990年01期

5 张军华;神经网络技术及其在军用系统中的应用[J];现代防御技术;1992年04期

6 雷明,李作清,陈志祥,吴雅,杨叔子;神经网络在预报控制中的应用[J];机床;1993年11期

7 靳蕃;神经网络及其在铁道科技中应用的探讨[J];铁道学报;1993年02期

8 宋玉华，，王启霞;神经网络诊断──神经网络在自动化领域里的应用[J];中国仪器仪表;1994年03期

9 魏铭炎;国内外神经网络技术的研究与应用概况[J];电机电器技术;1995年04期

10 王中贤，钱颂迪;神经网络法在经济管理中的应用[J];航天工业管理;1995年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 陈辉;多维超精密定位系统建模与控制关键技术研究[D];东南大学;2015年

中国硕士学位论文全文数据库 前10条

1 章颖;混合不确定性模块化神经网络与高校效益预测的研究[D];华南理工大学;2015年

2 贾文静;基于改进型神经网络的风力发电系统预测及控制研究[D];燕山大学;2015年

3 李慧芳;基于忆阻器的涡卷混沌系统及其电路仿真[D];西南大学;2015年

4 陈彦至;神经网络降维算法研究与应用[D];华南理工大学;2015年

5 董哲康;基于忆阻器的组合电路及神经网络研究[D];西南大学;2015年

6 武创举;基于神经网络的遥感图像分类研究[D];昆明理工大学;2015年

7 李志杰;基于神经网络的上证指数预测研究[D];华南理工大学;2015年

8 陈少吉;基于神经网络血压预测研究与系统实现[D];华南理工大学;2015年

9 张韬;几类时滞神经网络稳定性分析[D];渤海大学;2015年

10 邵雪莹;几类时滞不确定神经网络的稳定性分析[D];渤海大学;2015年

本文编号：2135702