基于BP神经网络的城市商业综合体项目风险管理研究
发布时间：2021-11-04 08:55
随着城市的不断发展与进步,建筑工程项目从两三层的砖混结构到现在的摩天大厦,建筑工程项目也在向多元化发展,建设主体在不断扩大,伴随而来的建设环境也越来越复杂,同时随之而来的建设风险也日益增多。在如今的工程领域不再是成本、进度、质量三角对立,在寿命周期内还掺夹了报建开发、安全文明、运营管理等其他模块,此时风险管理就显得尤为重要。一个成熟的风险管理体系可以降低风险带来的影响,甚至可以提前规避风险,从而提高项目的安全性和整体效益。本文基于大量文献资料的基础上,介绍了本文的研究背景、研究意义、研究现状以及城市商业综合体的相关概念和发展历程,紧接着阐述了风险的基础理论以及城市商业综合体的风险特点和风险管理的流程,最后仔细介绍了BP神经网络的概念、原理、特点以及学习算法。其次,从指标体系构建的原则、思路两方面阐述了指标体系构建的基本概念,邀请10位专家进行头脑风暴对风险因素进行分析和识别,构建了适配于城市商业综合体项目的风险评价指标体系。再次,根据风险评价指标设计BP神经网络模型,邀请专家打分获取30组样本数据,将样本数据前25组作为训练数据,后5组作为仿真测试数据导入所建模型进行仿真训练与测试,验...
【文章来源】：江西理工大学江西省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
BP神经网络结构
第四章BP神经网络模型的构建37num=xlsread("数据.xlsx");input_train=num((1:25),1:19)";output_train=num((1:25),20)";input_test=num((26:30),1:19)";output_test=num((26:30),20)";%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train)%%BP网络训练%%初始化网络结构net=newff(inputn,outputn,[10,1],{"logsig","tansig"},"traingdx")net.trainParam.max_fail=9net.trainParam.epochs=1000net.trainParam.lr=0.1net.trainParam.goal=0.001net=train(net,inputn,outputn)图4.1迭代曲线图4.2误差回归曲线从图4.1可以看出，本次所建模型经过728次迭代后完成训练，该模型的预测准确度高达0.00099836且低于本次设定的学习目标。回归曲线代表模型的拟合能力，当回归斜率为45°时，表示模型的输出和期望值相同。从图4.2可以看出，回归函数的斜率接近45度，拟合度为0.99844接近1，可证明了模型的预测准确性。
第四章BP神经网络模型的构建37num=xlsread("数据.xlsx");input_train=num((1:25),1:19)";output_train=num((1:25),20)";input_test=num((26:30),1:19)";output_test=num((26:30),20)";%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train)%%BP网络训练%%初始化网络结构net=newff(inputn,outputn,[10,1],{"logsig","tansig"},"traingdx")net.trainParam.max_fail=9net.trainParam.epochs=1000net.trainParam.lr=0.1net.trainParam.goal=0.001net=train(net,inputn,outputn)图4.1迭代曲线图4.2误差回归曲线从图4.1可以看出，本次所建模型经过728次迭代后完成训练，该模型的预测准确度高达0.00099836且低于本次设定的学习目标。回归曲线代表模型的拟合能力，当回归斜率为45°时，表示模型的输出和期望值相同。从图4.2可以看出，回归函数的斜率接近45度，拟合度为0.99844接近1，可证明了模型的预测准确性。
【参考文献】：
期刊论文
[1]基于BP神经网络的洪湖水质指标预测研究[J]. 张青,王学雷,张婷,杨超,吕晓蓉. 湿地科学. 2016(02)
[2]层次分析法在建筑工程项目风险管理中的应用解析[J]. 肖经纬. 建材与装饰. 2016(13)
[3]风险矩阵评估方法的工程应用分析[J]. 郭欢. 数学学习与研究. 2016(05)
[4]基于模糊评价与BP神经网络模型的耕地质量评价对比研究——以淮北平原凤台县为例[J]. 李小刚,马友华,张益,黄守营. 土壤通报. 2015(04)
[5]基于改进BP的神经网络模型参考自适应控制[J]. 张敏,徐启华. 软件. 2015(07)
[6]基于主成分分析土壤水分扩散率单一参数模型的BP神经网络模型[J]. 许坤鹏,武世亮,马孝义,余淼. 干旱区地理. 2015(01)
[7]建筑工程风险管理研究[J]. 侯品,杨青,熊伊第. 科技视界. 2014(34)
[8]基于粒子群优化BP神经网络的台风灾损预测模型研究[J]. 叶小岭,施珮,匡亮. 灾害学. 2013(04)
[9]基于BP神经网络模型的松花江流域（吉林省段）水环境承载力研究[J]. 杨丽花,佟连军. 干旱区资源与环境. 2013(09)
[10]基于蒙特卡洛法的谐波测量不确定度分析[J]. 黄德华,张禄亮,曾江,孙巍巍. 电力系统保护与控制. 2012(20)
硕士论文
[1]基于BP神经网络的水利工程风险管理研究[D]. 林琳.江西理工大学 2015
[2]园区南110KV变电站工程工期风险评价研究[D]. 许勇.华北电力大学 2013
[3]内蒙古电力公司电网建设工程项目风险管理研究[D]. 任宇新.华北电力大学 2013
[4]建设工程项目风险管理分析[D]. 宋建国.吉林大学 2013
[5]贝叶斯网络在铁路工程项目质量控制中的应用研究[D]. 胡书香.兰州交通大学 2013
[6]基于模糊层次分析法（FAHP）的建设工程项目风险管理研究[D]. 元云丽.重庆大学 2013
[7]基于神经网络的建筑工程项目风险评价研究[D]. 廖友友.武汉科技大学 2012
[8]大型生产项目前期决策的风险分析与控制[D]. 张瀛瀚.北京邮电大学 2012
[9]沿海沉箱码头施工安全风险评估及安全控制研究[D]. 张治敏.重庆交通大学 2012
[10]青岛妇女儿童医疗保健中心迁建项目风险管理研究[D]. 戴美艳.中国海洋大学 2010
本文编号：3475412
【文章来源】：江西理工大学江西省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
BP神经网络结构
第四章BP神经网络模型的构建37num=xlsread("数据.xlsx");input_train=num((1:25),1:19)";output_train=num((1:25),20)";input_test=num((26:30),1:19)";output_test=num((26:30),20)";%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train)%%BP网络训练%%初始化网络结构net=newff(inputn,outputn,[10,1],{"logsig","tansig"},"traingdx")net.trainParam.max_fail=9net.trainParam.epochs=1000net.trainParam.lr=0.1net.trainParam.goal=0.001net=train(net,inputn,outputn)图4.1迭代曲线图4.2误差回归曲线从图4.1可以看出，本次所建模型经过728次迭代后完成训练，该模型的预测准确度高达0.00099836且低于本次设定的学习目标。回归曲线代表模型的拟合能力，当回归斜率为45°时，表示模型的输出和期望值相同。从图4.2可以看出，回归函数的斜率接近45度，拟合度为0.99844接近1，可证明了模型的预测准确性。
第四章BP神经网络模型的构建37num=xlsread("数据.xlsx");input_train=num((1:25),1:19)";output_train=num((1:25),20)";input_test=num((26:30),1:19)";output_test=num((26:30),20)";%选连样本输入输出数据归一化[inputn,inputps]=mapminmax(input_train);[outputn,outputps]=mapminmax(output_train)%%BP网络训练%%初始化网络结构net=newff(inputn,outputn,[10,1],{"logsig","tansig"},"traingdx")net.trainParam.max_fail=9net.trainParam.epochs=1000net.trainParam.lr=0.1net.trainParam.goal=0.001net=train(net,inputn,outputn)图4.1迭代曲线图4.2误差回归曲线从图4.1可以看出，本次所建模型经过728次迭代后完成训练，该模型的预测准确度高达0.00099836且低于本次设定的学习目标。回归曲线代表模型的拟合能力，当回归斜率为45°时，表示模型的输出和期望值相同。从图4.2可以看出，回归函数的斜率接近45度，拟合度为0.99844接近1，可证明了模型的预测准确性。
【参考文献】：
期刊论文
[1]基于BP神经网络的洪湖水质指标预测研究[J]. 张青,王学雷,张婷,杨超,吕晓蓉. 湿地科学. 2016(02)
[2]层次分析法在建筑工程项目风险管理中的应用解析[J]. 肖经纬. 建材与装饰. 2016(13)
[3]风险矩阵评估方法的工程应用分析[J]. 郭欢. 数学学习与研究. 2016(05)
[4]基于模糊评价与BP神经网络模型的耕地质量评价对比研究——以淮北平原凤台县为例[J]. 李小刚,马友华,张益,黄守营. 土壤通报. 2015(04)
[5]基于改进BP的神经网络模型参考自适应控制[J]. 张敏,徐启华. 软件. 2015(07)
[6]基于主成分分析土壤水分扩散率单一参数模型的BP神经网络模型[J]. 许坤鹏,武世亮,马孝义,余淼. 干旱区地理. 2015(01)
[7]建筑工程风险管理研究[J]. 侯品,杨青,熊伊第. 科技视界. 2014(34)
[8]基于粒子群优化BP神经网络的台风灾损预测模型研究[J]. 叶小岭,施珮,匡亮. 灾害学. 2013(04)
[9]基于BP神经网络模型的松花江流域（吉林省段）水环境承载力研究[J]. 杨丽花,佟连军. 干旱区资源与环境. 2013(09)
[10]基于蒙特卡洛法的谐波测量不确定度分析[J]. 黄德华,张禄亮,曾江,孙巍巍. 电力系统保护与控制. 2012(20)
硕士论文
[1]基于BP神经网络的水利工程风险管理研究[D]. 林琳.江西理工大学 2015
[2]园区南110KV变电站工程工期风险评价研究[D]. 许勇.华北电力大学 2013
[3]内蒙古电力公司电网建设工程项目风险管理研究[D]. 任宇新.华北电力大学 2013
[4]建设工程项目风险管理分析[D]. 宋建国.吉林大学 2013
[5]贝叶斯网络在铁路工程项目质量控制中的应用研究[D]. 胡书香.兰州交通大学 2013
[6]基于模糊层次分析法（FAHP）的建设工程项目风险管理研究[D]. 元云丽.重庆大学 2013
[7]基于神经网络的建筑工程项目风险评价研究[D]. 廖友友.武汉科技大学 2012
[8]大型生产项目前期决策的风险分析与控制[D]. 张瀛瀚.北京邮电大学 2012
[9]沿海沉箱码头施工安全风险评估及安全控制研究[D]. 张治敏.重庆交通大学 2012
[10]青岛妇女儿童医疗保健中心迁建项目风险管理研究[D]. 戴美艳.中国海洋大学 2010
本文编号：3475412
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3475412.html
