基于人工智能的建筑工程估价研究

发布时间：2020-11-16 08:13

　　 工程项目造价的确定是工程项目管理的重要内容之一,但由于工程项目投资阶段所掌握的工程信息十分有限,建筑工程造价的估算普遍存在误差大,编制时间久等缺点。随着计算机科学的不断发展,智能优化技术已经渗透到各个研究领域,其中人工智能理论是当前非常热门的研究课题之一。本文主要研究了人工智能方法在建筑工程估价领域的应用,采用粒子群优化的人工神经网络和案例推理两种智能方法,建立了三种人工智能估价模型,对建筑工程估价进行预测,并通过实例验证其有效性。阐述了粒子群算法、BP神经网络、RBF神经网络和案例推理的理论基础。详细讲解了粒子群算法的基本原理,算法流程及控制参数的选取,为验证粒子群算法良好的寻优性能,用两种简单的基本函数测试算法的性能,测试结果表明粒子群算法具有良好的全局搜索能力;介绍了BP神经网络和RBF神经网络的基本原理、学习规则以及算法流程,为验证人工神经网络的函数逼近能力,在MATLAB软件中实现用BP神经网络和RBF神经网络对三种基本函数的学习和逼近,结果显示人工神经网络具有良好的函数逼近能力,能够以模拟现实中任意非线性映射。接下来应用粒子群算法对神经网络参数进行优化,通过改变粒子群的粒子数目、惯性权重和进化代数来优化神经网络的结构参数,从而得到更加科学、合理的神经网络参数值,并用于人工智能估价模型。采用理论与实际相结合的研究方法,系统分析和构建基于人工智能方法的建筑工程估价模型。首先,以沈阳近一年的31个已建工程造价信息为样本,采用SPSS软件分析影响工程造价的各特征因素和平米造价之间的相关性,并通过综合分析最后确定了9种工程特征影响因素。然后,建立基于PSO优化BP神经网络的建筑工程估计模型和基于PSO优化RBF神经网络参数的建筑工程估价模型,应用MATLAB软件编程实现样本训练和测试,并验证模型的实用性,测试结果显示两模型误差均在要求范围内。最后,以31个已建工程造价信息为数据建立Access案例库,并运用VBA计算机语言进行编程来实现案例的检索过程,从而建立了基于案例推理的建筑工程估价模型,对建筑工程估价进行预测,预测结果误差较小,证明该模型具有实用价值。
【学位单位】：沈阳建筑大学
【学位级别】：硕士
【学位年份】：2016
【中图分类】：TU723.3
【部分图文】：

a.多项式函数适应度图 b.指数函数适应度图图 2.2 PSO 函数拟合适应度图Dig.2.2. PSO function fitting to be appropriateMATLAB 软件 command 窗口显示如下数据：PSO 求得的多项式函数最小值 0.0253（对应自变量取值：1.716，1.024，1.015，1.098，0.982，1.0357，1.0164，0.9616, 0.9466，0.9395）与其理论最小值 0（对应自变量 1,1,1,1,1,1,1,1,1,1）非常接近，且收敛速度很快。PSO 求得的指数函数最小值 4.000000002（对应自变量取值：0.306e-5，-0.015e-5）与其理论最小值 4（对应自变量 0，0）几乎完全一致，且收敛速度很快。综上所述，PSO 算法具有良好的全局搜索性能，能够很好对函数进行拟合。同时 PSO算法还具有参数少，收敛速度快等优点，故本文采用 PSO 算法优化神经网络参数，并建立基于 PSO 算法优化神经网络参数的工程估价模型。2.5 PSO 算法优化神经网络参数的意义随着对人工智能技术的深入研究，神经网络的训练逐步成为重点研究问题。传统算法

图 3.1 数据处理图Fig. 3.1 Data processing graph.1.2 基于 SPSS 的相关矩阵分析SPSS for Windows 目前已经开发至 SPSS12 版本，是一个组合式软件包。软件的基能主要有数据管理、输出管理、图表分析以及统计分析等，能够良好地对数据进行整分析。产品用户可以根据计算机的配置和实际需要来选择模块，以降低软件对系统硬量的硬性要求，利于该软件的推广与应用。此外，SPSS for Windows 易学易用，分析直观、清晰，并可以直接导入 EXCEL 及 DBF 等数据文件。本文采用 SPSS for Windows 软件的因子分析工具，对影响工程估价的因素做相关性分析。输入从工程量清单中统计出来的 19 个因素的数据资料进行相关性降维分析，了各个因素之间的相关性矩阵见表 3.1。由于平米造价是要预测的数据，所以表中数平米造价的相关性越大越好，其余数据之间相关性越小越好。从表中数据可以看出建积和桩基础以及砌筑的相关性较大，删除；土石方和桩基础有较大相关性，删除；钢凝土工程和砌筑、桩基础及防水保温都有较大相关性，删除；措施项目和砌筑及防水有较大相关性，删除；措施项目费、规费、税金、人工指数调增这 4 个因素和其他因

参数对网络进行训练。通过函数 sim 实现，软件根据已训练好的网络，对可以以任意精度逼近任意函数，并可以模拟现实 MATLAB 神经网络工具箱，用 BP 神经网络拟合三指数函数）来测试 BP 神经网络的函数逼近能力a 多项式拟合 b 正弦函数
【相似文献】

相关期刊论文 前10条

1 毛志兵;;从人工智能到智慧工地 迎接建造方式的新变革[J];中国勘察设计;2017年08期

2 ;人工智能深度学习可以比拟人类视力[J];大数据时代;2017年03期

3 陈广银;;神经网络在环境监测中的应用研究[J];科技创新导报;2017年13期

4 毛健;赵红东;姚婧婧;;人工神经网络的发展及应用[J];电子设计工程;2011年24期

5 王盛玉;曾碧卿;胡翩翩;;基于卷积神经网络参数优化的中文情感分析[J];计算机工程;2017年08期

6 邢广成;强天伟;;人工神经网络的发展与应用[J];科技风;2012年15期

7 李运爽,武建军;人工智能的原理及应用[J];山西电子技术;2004年02期

8 陈慧萍,何坤金;人工神经网络发展的若干哲学思考[J];河海大学常州分校学报;2003年01期

9 张廷炘;人工智能、神经网络与光学[J];物理;1994年10期

10 卢子谦;;关于中国通信中的神经网络的发展研究[J];信息系统工程;2017年08期

相关博士学位论文 前10条

1 叶青;人工智能方法在估价领域的研究与应用[D];华侨大学;2011年

2 余绍德;卷积神经网络和迁移学习在癌症影像分析中的研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2018年

3 吴静;入侵检测中神经网络融合学习方法的研究[D];吉林大学;2010年

4 刘天桢;基于多维数据分析的神经网络与分布式计算研究[D];武汉理工大学;2008年

5 韩琦;神经网络的稳定性及其在联想记忆中的应用研究[D];重庆大学;2012年

6 马进;基于遗传算法和神经网络的锅炉汽水系统模型参数优化[D];华北电力大学（河北）;2009年

7 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

8 张超;高阶神经网络的梯度训练算法收敛性分析[D];大连理工大学;2008年

9 吴森森;地理时空神经网络加权回归理论与方法研究[D];浙江大学;2018年

10 张振敏;基于脉冲神经网络的纹理图像识别研究[D];福建师范大学;2016年

相关硕士学位论文 前10条

1 刘雅楠;基于人工智能的建筑工程估价研究[D];沈阳建筑大学;2016年

2 李运爽;混合型专家系统的设计及其在材料设计中的应用[D];河北工业大学;2005年

3 宋玉强;人工神经网络在时间序列预测中的应用研究[D];西安建筑科技大学;2005年

4 张凯岚;基于案例推理与神经网络的建筑成本预测研究[D];吉林大学;2017年

5 王敏;神经网络方法在套损预测中的应用研究[D];大庆石油学院;2007年

6 王越;基于神经网络的农作物病虫害诊断方法研究[D];东北师范大学;2007年

7 刘闯;人工神经网络和基于案例推理相结合用于故障诊断[D];南京航空航天大学;2005年

8 黄江华;人工神经网络在数据挖掘中的应用[D];中南大学;2006年

9 张映梅;人工神经网络在小麦吸浆虫预测中的应用[D];西北农林科技大学;2003年

10 李艳环;人工神经网络在数据挖掘中的应用[D];重庆大学;2004年

本文编号：2885837