毕业设计（论文）-基于动态模糊神经网络的建筑工程造价预测

'大庆石油学院本科生毕业设计（论文）摘要我国加入WTO后，市场经济竞争更加激烈，建筑工程要求能更快速、更准确地进行工程造价的预测，无论业主还是承包商，这时都需要一套完善的造价预测系统解决这个问题。本文介绍了论文的研究背景、国内外研究的现状，以及论文的目的和意义、内容和思路。简要分析模糊系统与神经网络的相关理论，并将模糊系统与神经网络进行有机融合，引出动态模糊神经网络。详细介绍动态模糊神经网络的结构、学习和动态算法、模糊知识处理方法，并结合工程造价预测的影响因素，提出了基于动态模糊神经网络的工程造价预测的程序。通过具体实例，描述动态模糊神经网络方法在建筑工程造价预测中的应用流程。动态模糊神经网络可提高工程造价预测的精度，在工程造价预测中具有可行性。关键词：模糊系统；神经网络；动态模糊神经网络；工程造价；预测III 大庆石油学院本科生毕业设计（论文）AbstractAfterourcountryjoinsintoWTO,themarketeconomycompetitionismoreintense.Constructionprojectbiddingrequirementsmorequicklyandmoreaccuratelytoforecastconstructioncosts,regardlessoftheownersorcontractors,thenitwillneedacomprehensivecostforecastsystemtosolvethisproblem.Inthispaper,researchbackground,purposeandmeaning,contentandideasareintroduced.Thecurrentsituationthatdomesticandforeignispresented.Andthearticlepresentsbasictheoryofthefuzzysystemandneuralnetworkbriefly.Thefuzzysystem’sandneuralnetwork"sintegrationareanalyzedandcompared,thisderivesdynamicfuzzyneuralnetwork.Inthepaper,thestructure,fuzzyknowledgeprocessingmethods,anddynamiclearningalgorithmofDFNNareintroducedindetail,anditcombineswiththeinfluencingfactorsoftheprojectcostforecast.AndthearticleproposestheprocedureoftheprojectcostforecastsystembasedonDFNN.Throughtheconcreteexample,thisarticledescribesthedynamicfuzzyneuralnetworkapplicationprocessintheprojectcostforecast.DFNNimprovestheaccuracyoftheconstructioncostforecast,andhavethefeasibilityintheprojectcostforecast.Keywords：Fuzzysystem；Neuralnetwork；Dynamicfuzzyneuralnetwork；Projectcost；ForecastIII 大庆石油学院本科生毕业设计（论文）目录第1章概论11.1选题的背景11.2国内外研究现状21.3研究的目的和意义21.4研究的内容和思路3第2章工程造价预测的基本理论42.1基本概念42.2工程造价预测的方法5第3章动态模糊神经网络73.1模糊系统概述73.2神经网络概述83.3动态模糊神经网络概述10第4章基于DFNN的建筑工程造价预测的应用154.1影响建筑工程造价预测的因素154.2基于DFNN的建筑工程造价预测的程序174.3建筑工程造价预测模糊信息处理方法214.4案例分析22结论24致谢25参考文献26附录28III 大庆石油学院本科生毕业设计（论文）第1章概论1.1选题的背景如今市场经济竞争十分激烈，实际建筑工程要求能快速地、准确地进行工程造价的预测。但是传统的预测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[1]。但是工程造价预测在项目管理中十分重要，它是工程项目可行性研究的基础，也是招投标制定标底的依据，也是没有充足时间编制详细投标预算的工程项目的投标依据，其准确与否直接影响项目的投资决策，也将影响项目投标的竞争能力[2]。近年来，有关学者提出用模糊理论、灰色理论、神经网络[8-10]等方法来预测工程造价，但这些方法都有其这样或那样的不可避免的缺陷，其预测精度有时不是很高而且具有较大的主观性，导致预测结果有时不够准确，这样造成了人们对工程造价预测的准确性抱有怀疑的态度。同时，在实际的建筑工程中，研究的对象也都是动态的，不是静止状态的，这更为建筑工程造价预测增加了难度，也给建筑工程造价带来了极大的经济风险。动态预测工程造价仍旧是人们面临的一个挑战，这样就迫切的需要一套完善的工程造价预测系统，解决工程造价预测遇到的难题。针对于这样的状况，一些学者提出了这样的解决思路：多种方法合理的融合，相互取长补短，可避免单一方法在某方面的不足，还会使其在优势上有所彰显。显然这样的想法是可行的，动态模糊神经网络就是模糊系统与神经网络进行有机融合，结合客观环境变化而形成的，解决了模糊系统隶属函数和模糊规则的生成与调节，神经网络获得的输入输出关系可用人们接受的方式表示出来，还可以克服模糊神经网络的缺陷，即模糊神经网络不能随着客观环境的变化而调整训练学习参数，不具备动态学习和预测功能，随着时间推移，预测精度会降低。36 大庆石油学院本科生毕业设计（论文）1.2国内外研究现状在经济全球一体化的趋势下，国内外建筑行业竞争更加激烈，许多建设项目超出预算、工期延长、质量差、效益低，这些很大程度上都与工程前期工作密切相关。为减少工程投入、获取更好的投资效率，根本的解决方法在于做好建设前期的工程造价预测工作。传统的工程造价预测方法很难适应当前工程造价预测快速又准确的要求，针对这一现实需求，国内外学者一致认同采用相似的已建工程的造价资料作为当前工程的造价资料的近似估计是较为可取的方法[3]。目前工程造价预测的方法是建立在现行的工程管理理论的基础上的，所做的定量分析是依据已经建立的各种定额。但工程造价预测这一实践工作，是要和自然、人、社会等系统的环境因素打交道，具有自然属性、社会属性和精神属性，是具有诸多不确定因素的复杂的大系统，是处在不停的非线性运动过程中[4]。所以为了解决工程造价预测存在的问题，就要采用更加成熟有效的方法来预测工程造价。1965年，美国加利福尼亚大学LAZadeh教授发表了著名的论文模糊集（FuzzySets），开创了模糊理论的先河开始的。1974年，SCLee和ETLee在Cybernetics杂志上发表了“Fuzzysetandneuralnetwork”一文，首次把模糊集和神经网络联系在一起；接着，在1975年他们又在MathBiosci杂志上发表了“Fuzzyneuralnetwork”一文，明确地对模糊神经网络进行了定义、研究。自1975年模糊神经网络提出至今，模糊神经网络的研究已取得了很大进展，大部分模糊神经网络都采用对输入进行模糊化的神经网络方法，至此2002年MengJooE提出了动态模糊神经网络。至此动态模糊神经网络就被应用在许多领域，如伺服系统、船舶动力定位、储层预测等，本文主要研究动态模糊神经网在工程造价预测中的可行性[5]。1.3研究的目的和意义本文通过对动态模糊神经网络方法的研究，提高建筑工程造价预测结果的精确度，运用动态模糊神经网络模糊信息处理加强系统的柔性。在实际工程造价预测时，运用动态模糊神经网络方法预测建筑工程造价是可行的。36 大庆石油学院本科生毕业设计（论文）本文研究模糊系统与神经网络的有机融合而形成的动态模糊神经网络。相比较模糊系统与神经网络而言，动态模糊神经网络（DFNN）的各个参数具有明确的物理意义，可根据经验选择初始值，是一个动态映射网络，比普通模糊神经网络（FNN）更适于描述动态系统[6]，这样就极大的提高了动态模糊神经网络对于工程造价预测的精度，在工程造价预测中具有可行性。1.4研究的内容和思路本文共分4章，以下就是个章节的研究内容。第1章介绍本文的研究背景，国内外的工程造价预测的现状，研究的目的和意义，还有研究的内容与思路。第2章主要简单介绍工程造价预测的相关概念，及几种造价预测方法。第3章重点介绍动态模糊神经网络法。首先简单的介绍模糊系统与神经网络的相关理论。然后分析模糊系统与神经网络，从而提出动态模糊神经网络的相关内容。第4章首先分析工程造价预测的影响因素，研究基于动态模糊神经网络的工程造价预测的程序，并对动态模糊神经网络（DFNN）模糊知识处理作了相应的说明。最后，列举具体实例说明动态模糊神经网络法在工程造价预测中实际的应用价值。36 大庆石油学院本科生毕业设计（论文）第2章工程造价预测的基本理论工程造价预测在项目管理中十分重要，它是工程项目可行性研究的基础，也是招投标制定标底的依据，其准确与否直接影响项目的投资决策。利用已建类似工程的造价资料和市场变化的信息，对拟建工程造价做出推测。2.1基本概念2.1.1工程造价的定义工程造价的直接含义就是工程的建造价格，按中国造价管理协会学术委员会的意见表述为两种：第一种含义：是指进行某项工程建设花费的全部费用，即一项工程通过建设形成相应的固定资产、无形资产所需用的一次性费用总和。这一含义是从投资者与业主的角度来定义的。从这个意义上说，工程造价就是工程投资费用，建设项目工程造价就是建设项目固定资产投资。第二种含义：是指工程价格，即为建成一项工程，预计或实际在土地市场、设备市场、技术劳务市场以及承包市场等交易活动中所形成的建筑安装工程的价格或建设工程总价格。工程造价的第二种含义是以社会主义商品经济和市场经济为前提的[7]。2.1.2工程造价预测的定义工程造价预测中的预测是一种预计与推测，是根据过去和现在的已知去推测和预料将来的未知，是对被预测事件发展过程中可能发生的一些不确定因素和未知事件做出定性和定量描述[4]。而工程造价预测是根据历年己有的建筑造价数据和资料，进行科学的计算和综合，再结合预测人员的主观经验和判断能力，对拟建工程投资费用所做的一种预先估计或预测，36 大庆石油学院本科生毕业设计（论文）工程造价预测的准确程度与预测模型的选择有着密切的联系[8]。2.2工程造价预测的方法目前常用的工程造价预测方法有很多，由于工程项目系统的隐蔽性、模糊性、多层次性，迄今为止仍没有一套成熟有效的工程造价预测方法。通过剖析多种工程造价预测方法，权衡利弊，以指导探索更科学有效的工程造价预测方法[3]。2.2.1基于模糊数学的工程造价预测方法工程造价模糊预测的方法是利用模糊数学的基本原理在同一结构体系下，通过研究和对比拟建工程与已建工程结构方案的相似程度，由造价师根据类似的已建工程的造价资料对拟建工程造价估算的过程[9]。考虑到工程造价受到许多不确定性因素的影响，具有模糊性，根据模糊数学原理，提出了工程造价的模糊预测方法。这种方法只考虑了待估工程与典型工程的建筑结构与构造的相似性，并不能反映出因建造时间的差异引起的价格费用的变化。同时，该方法不能准确反映出工程造价的实际变化特性，为确保工程造价估算的准确性，必须考虑各个工程建造年代，即使是在物价相对稳定时期。因此，在原有方法基础上，还须补充考虑资金时间价值因素，以某一时间为基准，计算当前工程与己建工程之间的相似度，从而选择其中的典型工程来预测工程造价[3]。2.2.2基于实物的工程造价预测方法实物法与工程和市场实际情况以及适合本工程施工的施工企业水平直接挂钩，将工程各种投入品的耗量和单价进行分列，以人、材、机数量分别乘以相应的基础价格为基本计算公式，编制更切合每个工程具体情况的合理造价。这种方法改变了定额法采用平均先进水平、宏观控制投资的基本观点，对工程逐个量体裁衣，体现了量、价分离的原则。实物法的基础数据包括人、材、机的数量和价格两部分，数量根据具体的实际建设条件而定，价格则来自市场，实行动态定价。然而在实际中，无论是在国内还是在国外，实物法都没有得到广泛的应用。究其原因主要有：实物法在实际中的可操作性较差，36 大庆石油学院本科生毕业设计（论文）从繁多的工程项目中汇总投入品消耗量，需要耗费大量的人力、物力和时间；该方法适用范围有限，在施工图纸完备和各种资源投入编制指南具备的条件下才适用，而在工程前期，由于待建工程资料有限，不可能做出准确的实物预测。2.2.3基于灰色系统理论的工程造价预测方法灰色预测是根据过去的及现在己知的或非确定的信息建立的一个从过去引申到未来的灰色模型，从而确定系统未来发展变化的趋势，并为规划、决策提供依据。灰色系统预测是将系统主行为与关联因子一起进行的多序列预测。即在分析与研究系统因子之间相互影响与协同作用的基础上，建立系统主行为特征量与关联的灰色动态模型群，然后通过求解进行预测。灰色系统预测所采用的基本数学方法是建立状态方程并求解。其特点是，根据系统中一些变量或因素间相互协调发展变化的关系及其数量进行预测的。若预测系统的主要因素与其他因素之间，只有相互影响，相互制约的作用，称为系统协调预测，如建筑工程总造价与劳动力、资金、材料等协调发展的预测，它将是用于建筑工程造价中有别于其他预测方法的方法。2.2.4基于神经网络的工程造价预测方法运用神经网络进行工程造价预测，将已建工程特征的量化数据作为输入，对应的造价资料作为输出，对神经网络进行训练，用训练好的神经网络来实现工程造价的预测。这种方法通过实例训练学习来确定模型的权重，避免了某些方法的人为计取权重的主观影响计算简单、准确，非常适合快速估算工程造价；并且，工程造价中隐性考虑了不同时期主材价格，使造价更加符合实际。基于神经网络的工程造价预测方法的主要限制，在于工程特征的选取和训练样本的选取上。为确保估算模型的准确度，要求做到选取的工程特征能够反映工程本质，便于众多样本彼此区别开来，同时，选取的训练样本要和当前工程类似，才可能使预测模型为问题求解提供支持。然而这两个方面的选取工作，目前只能凭借经验来完成，缺乏理论的指导，容易造成个别输出目标值偏离实际值[3]。36 大庆石油学院本科生毕业设计（论文）第3章动态模糊神经网络3.1模糊系统概述3.1.1模糊系统的基本概念模糊数学是运用数学方法研究和处理具有“模糊性”现象的数学。这里所谓的“模糊性”，主要是指客观事物差异的中间过渡中的“不分明性”[10]。模糊数学并不是“模糊”的数学，它是采用严格的精确的数学手段来处理“模糊”的现象以达到消除“模糊”的一门数学。实际上它是人类认识能力的深化和精确的反应[11]。模糊集合通常用大写字母来表示，它是用数学精确的数学语言对模糊性的一种描述。对于论域U上的一个集合模糊集合A，是指对于任意都制定了一个数。表示元素u属于模糊集合A的程度或资格，叫做u对A的隶属度。贴近度是指两个模糊子集彼此相近的程度。贴近度在[0，1]区间内取值。当贴近度等于1时，称两个模糊子集完全贴合；当贴近度等于0时，称它们完全不相贴[12]。3.1.2模糊系统理论建筑工程造价本身就是一个不确切的数字，带有模糊性。有丰富经验的工程预算人员，拿到图纸不需进行大量计算，根据建筑物的类型、结构、装饰等特征，就可以预测出造价，经验越丰富，预测就越准确。利用模糊数学理论，总结有经验的工程预算人员的预测方法，就能构造出一个数学模型，实现对工程造价的预测[12]。工程造价模糊预测的方法是利用模糊数学的基本原理在同一结构体系下，通过研究和对比拟建工程与已建工程结构方案的相似程度，36 大庆石油学院本科生毕业设计（论文）由造价师根据类似的已建工程的造价资料对拟建工程造价估算的过程[9]。用表示工程特征优先关系集，公式为：（3-1）隶属度公式为：（3-2）贴近度的公式：（3-3）式中的“”表示取最大值，根据已建工程和拟建工程的隶属函数值，通过公式3-3，求出拟建工程与每一个已建工程的贴近度，并从大到小排序，以贴近度最大的前三个已建工程的造价为预测拟建工程造价的基础，它们相应的每平方米造价依次为，则拟建工程每平方米造价的数学预测模型为[13]：（3-4）其中调整系数λ的公式为：（3-5）式中m为特征元素个数，为拟建工程的模糊关系系数，其值为…（3-6）若拟建工程的建筑面积为M，则拟建工程的总造价为：。（3-7）其中为价格指数，即根据不同时期价格比价取一个调整系数，这样才能确保过去积累的已建工程资料用以估算当前工程造价的准确性，使模型成为动态。3.2神经网络概述3.2.1神经网络的定义神经网络（NeuralNetwork，NN）是利用人类神经系统的工作原理进行系统的模拟，它不是人脑生物神经网络的真实写照，而只是对它的简化、抽象与模拟[14]。动态神经网络（DynamicNeuralNetwork，DNN）是指在学习过程中，隐层层数和维数根据规则不断变化，结构呈现动态的神经网络[15]。动态神经网络模型是36 大庆石油学院本科生毕业设计（论文）无约束连接，在神经处理单元拥有一些动力要素，它可以对照神经系统的数学表述[16]。3.2.2神经网络理论神经网络是80年代中期迅速兴起的智能科学与非线性科学，它是从模拟人脑的功能和结构出发的。人脑中的计算是建立在大规模并行处理的基础上，而且知识在人脑中采用分布式存储，因而使得人脑具有很强的容错性与联想功能，善于概括、类比、推广，具有很强的学习能力，能通过后天的学习掌握大量知识。神经网络正是根据人脑的这种特点而提出的一种信息处理系统[10]。神经网络的基本单元也称神经元。神经网络的信息处理由神经元之间的相互作用来实现，知识与信息的存储表现为网络元件相互连接分布式的物理联系，网络的学习和识别决定于各种神经元连接权的动态演化过程。其中输入部分类似于神经细胞的树突；连接权类似于突触，是信息的存储单元；输出部分类似于轴突。一个神经网络中包含有很多这样的信息处理单元，它们分布在不同的层次中，每个输入和相应的权值相乘后取和，获得一个综合信号，当这个信号超过阈值时，神经元被激活，产生输出[10]。3.2.3基于神经网络的建筑工程造价预测模型利用过去积累的大量典型工程的造价分析资料及工程特征作为训练样本，训练神经网络，从而完成输入空间工程特征到输出空间预测资料的映射[17]。基于神经网络的工程造价预测模型分以下几个部分：输入预处理模块、神经网络模块和输出处理模块[18]。其核心部分是神经网络模块。神经网络模型是由大量神经元按某种方式互连而成的复杂网络，为了表示互连的神经元之间的相互影响程度，对每一连接赋予一定的权值。用于预测的神经网络模型，选用三阶或三阶以上的多阶神经元网络结构。一般取三层：输人层，隐含层和输出层，如图3-1所示。其中上下层之间神经元全连接，而每层各神经元之间无连接，多阶神经元不但可解决线性预测问题，也可解决非线性预测问题。输出处理模块神经网络模块输入预处理模块36 大庆石油学院本科生毕业设计（论文）图3-1基于神经网络的工程造价预测流程图输入预处理模块主要是对输入数据进行预处理。将有些定性的东西转化为定量的数据，便于神经网络运算。神经网络模块输入层单元共m个，代表工程的特征向量。输出层单元共n个，代表工程的预算资料。隐含层单元按照柯尔莫哥洛夫定理设为2m+1。输出处理模块将神经网络的输出变量变为我们所需的造价数据，它们之间的关系如下[19]：（3-8）式中：为拟建工程的造价数据；为神经网络的输出数据；为所建工程的建筑面积；r为调整系数（经验数据）。3.3动态模糊神经网络概述3.3.1模糊系统与神经网络的融合分析模糊系统建立在能够被人接受的“IF-THEN”表达方式之上，但是如何自动生成和调整隶属函数和模糊规则，则是一个很棘手的问题，目前往往是通过手动方式解决，这种方式依赖于专家，而且时间效率不高[20]。神经网络虽然对环境的变化具有较强的自适应学习能力，但是它采用的是典型的黑箱（Black-box）型学习模式，当学习完成后，神经网络所获得的输入输出关系无法用被人接受的方式表示出来。将模糊系统与神经网络进行有机融合，可以有效地发挥各自的优势并弥补其不足。神经网络在学习和自动模式识别有极强的优势，采取神经网络技术进行模糊信息处理，可以使模糊规则自动提取和模糊隶属函数自动生成，从而使模糊系统成为自适应的模糊系统[21]。而将具有逻辑推理能力和高阶信息处理能力的模糊技术引入神经网络，可以大大拓宽神经网络处理信息的范围和能力，使其不仅能处理精确信息，也能处理模糊信息；不仅能实现精确性联想和映射，还可实现不精确性联想和映射，特别是模糊联想和映射[22]。自1975年模糊神经网络提出至今，其得到很大的发展。模糊神经网络是神经网络的模糊化，虽然结合神经网络方法，利用神经网络的自组织性，达到柔性信息处理的目的，但模糊神经网络不能随着客观环境的变化而调整训练学习36 大庆石油学院本科生毕业设计（论文）参数，不具备动态学习和预测功能，随着时间推移，预测精度会降低[23]。而动态模糊神经网络正是将模糊系统与神经网络有机融合，结合客观环境的变化而形成的方法。动态模糊神经网络比模糊神经网络无论是在模糊信息处理上，还是动态学习与预测上都有了很大的优势。3.3.2动态模糊神经网络理论3.3.2.1动态模糊神经网络的定义动态模糊神经网络（dynamicfuzzyneuralnetwork，DFNN）是指结合模糊推理的信息处理方法，在学习过程中，隐层层数和维数根据规则不断变化，结构呈现动态的神经网络[15]。结构呈现动态的目的是使网络性能在训练过程中始终保持最优。3.3.2.2动态模糊神经网络的结构动态模糊神经网络结构如图1所示，它由6部分组成：输入层、模糊化层、规则层、归一化层、递归层和输出层。前面4层作输入空间的模糊划分，递归层内含有两个回归神经元，并与误差及误差的变化为小零的规则输出相连，以完成动态控制及动态学习。由于DFNN为动态映射，从而具有更强的描述动态系统的能力[15]。输入层：输入层将输入向量传到下一层，第i个神经元连接到第i个X变量，；n表示输入变量个数。模糊化层：将个神经元分成n组，每个神经元只与一个输入变量相连。每个神经元对应一个模糊子集或语言变量。规则层：计算模糊子集的隶属度及每条规则的激活度，每个神经元与n个输入变量相连，每个输入连接权为1。神经元完成模糊与操作，以获得相应的激活度。。（3-9）归一化层：对规则层的激活度输出做归一化处理，即（3-10）36 大庆石油学院本科生毕业设计（论文）至此便实现了输入空间的模糊划分和模糊推理。值得注意的是：对任意输入向量，任意时刻只有部分模糊输入子空间被激活，非零的规则激活度只在相应的激活子空间存在。递归层：它包含2个具有内反馈的回归神经元和2个线性求和神经元，仅与误差及误差的变化为小于零的12条规则输出相连，其余规则输出则直接与输出层相连。反馈层输入为：（3-11）其中，p为误差及误差的变化为小于零的第1条规则，k=12为误差及误差的变化为小于零的规则总数。输出层：以输出层神经元对递归层的输出求和，作为动态模糊神经网络的输出。L1L2L3L4L5L6Wi1Wi2时延时延…………………图3-2动态模糊神经网络DFNN结构图3.3.3动态模糊神经网络学习与动态算法3.3.3.1动态模糊神经网络学习动态模糊神经网络的动态性能表现在网络层数的动态性、网络维数的动态性和节点激励函数的动态性。动态模糊神经网络的柔性是在网络动态性的基础上，输入和输出维数可以变化以适应不同的应用对象[6]。首先设定：L为网络层数，输入层为第0层，输出层用L－1表示；N(m)为第m层网络的节点数；P为网络学习总样本数；为神经网络中第i-1层中第j节点与第i层第k节点的联结权值；为输入层中第j节点的第P组输入样本；36 大庆石油学院本科生毕业设计（论文）为第i层第j节点输入相应的第P组输出；为第i层第j节点输入相应的第P组期望输出。为第层网络的节点激励函数；为学习次数常数；、分别为在次学习前和学习后的衰减率；、分别表示当给定控制学习算法的衰减率阈值时的最慢和最快衰减率；为给定E的收敛阈值；E为网络输出的均方误差，是网络性能的一项重要指标，其表达形式为：（3-12）动态模糊神经网络解决问题的能力来自模糊规则和神经网络中的连接权。模糊规则主要是专家在长期的领域研究和工作实践过程中实践经验的概括和总结，可以分为理论性知识和经验性知识。连接权是在已有经验（样本）的基础上，通过网络学习而得到的[24]。动态模糊神经网络学习算法的最大特点是参数的调整和结构的辨识同时进行，且学习速度快，可用于实时建模与控制。3.3.3.2动态模糊神经网络的动态算法（1）动态模糊神经网络层数动态算法，在层数动态算法中，因为增加或减少层数都会引起整个网络剧烈振荡，相对来说维数动态算法引起的振荡要小，所以层数一般由经验值确定，而且调整过程为微调，主要调整维数和节点激励函数。如图3-3。（2）动态模糊神经网络维数动态算法，与层数动态算法的原理基本一样，区别在于学习次数网络结构变化不一样。如图3-4。（3）节点激励函数动态算法，DFNN中的节点激励函数具有以下几种形式：阶跃函数：（3-13）Sigmoid型函数：（3-14）高斯型函数：（3-15）节点激励函数的动态性能主要表现在可以根据需要对节点激励函数进行调整,以提高学习过程的效率和精度为目标。在层数动态算法中，因为增加或减少层数都会引起整个网络剧烈振荡，相对来说，维数动态算法引起的振荡要小，所以层数一般由经验值确定，36 大庆石油学院本科生毕业设计（论文）而且调整过程为微调，主要调整维数和节点激励函数[6]。YYYYYYYTkTk图3-3动态模糊神经网络层数算法YYYYYYYTkTk36 大庆石油学院本科生毕业设计（论文）图3-4动态模糊神经网络维数算法36 大庆石油学院本科生毕业设计（论文）第4章基于DFNN的建筑工程造价预测的应用4.1影响建筑工程造价预测的因素影响建筑工程造价的因素很多，若将其都作为变量，则会加大计算量，影响预测速度及准确度，因此只有抓住建筑工程造价的主要影响因素，才会更加准确的预测。对于建筑工程项目，政策法规因素、地区与市场因素、设计因素和施工因素等这里不作考虑，只考虑项目内部因素。（1）建筑面积建筑面积与房屋内装修、主体工程、基础工程的造价有很大的关系。建筑面积一般来说其值是比较大的，对工程造价预测起到很重要的作用。（2）层数层高层数对于工程总造价的影响也是比较大的，若增加1层经济效益很高的，而减少1层则会使经济效益严重受到影响。（3）房间组合为满足不同消费群体的需求，这里主要把户型分为5类：两室一厅、两室两厅、三室一厅、三室两厅、四室一厅。（4）结构形式结构类型对建筑物的造价影响很大，特别是对主体工程。住宅类建筑的结构形式常见的有：砌体结构、框架结构、剪力墙结构。（5）基础类型住宅类建筑的基础比较单一，基础的类型与建筑的造价有很大的关系。这里主要把基础分为桩基础、条形基础和独立基础。（6）屋面形式36 大庆石油学院本科生毕业设计（论文）屋面形式的不同，对建筑物的许多方面有很大的关系，住宅是屋顶形式一般分为：平屋顶、人字屋顶、斜屋顶，不同的屋面形式对屋面防水工程造价的影响也是非常大的。（7）门窗类型门窗类型主要与材料有关，材料价格的高低直接影响到工程的造价。住宅楼的门窗一般采用塑钢门窗、铝合金门窗、木门钢窗等。（8）人工价格人工价对工程造价的影响不是很大，各种工程量的大小直接与其对应的人工费用相挂钩。不同的工种他们的价格是各不相同的，他们分为：一般的技术工、机械操作人员、打杂工等，一般的价格为50元至100元不等。（9）机械设备由于每天机械设备的价格是很高的，所以其对工程造价的影响非常大。（10）主要材料价格（水泥、沙石、钢筋）主要建筑材料是指三大建材：水泥、沙石、钢筋。这三大建材对建筑物的主体工程和基础工程的影响特别大，特别是水泥和钢筋随市场的变化大，价格高，用量大，其直接决定主体结构和基础工程的造价。（11）外装修对于房地产开发商主要是外装修，其常用的主要是白色涂料、绿色涂料、外墙乳胶漆，这些材料价格主要决定了外装修的造价。（12）内装修对于待出售的商品房，内装修都是简单的粉刷，主要材料是涂料、白灰墙、瓷砖。内装修材料价格也同样对工程造价有一定的影响。（13）楼地面房地产开发商对于楼地面都要做简单的装修。多采用水泥地面、水磨石、地板等。同样楼地面的装修造价也取决于材料的价格。（14）建筑物净高建筑物的净高对建筑物造价影响十分大，如果在给定的高度空间多出一层，其经济效益是相当可观。其中36 大庆石油学院本科生毕业设计（论文）建筑面积、层数、人工价格、机械设备价、主要材料价（水泥、沙石、钢筋）、建筑物净高为确定性因素，其余为模糊因素。这些特征对工程造价的影响有大有小，可用权重来表示。。根据查阅的相关资料和建筑工程的一般经验[7-9]，得到以上16种影响因素的权重向量：0.03，0.08，0.05，0.18，0.15，0.01，0.05，0.01，0.05，0.10，0.04，0.02，0.09，0.07，0.06，0.01}。4.2基于DFNN的建筑工程造价预测的程序4.2.1建筑工程造价预测的基本思路用模糊数学方法对己知的类似工程进行描述，把模糊化的样本工程的工程特征值经信息扩散处理后作为网络的输入值，样本工程的单方造价作为网络的目标向量，对网络进行训练，然后把拟建工程特征值输入，经训练的网络得出预测工程的总造价的预测值[4]。动态模糊神经网络作为具有一定处理定性与定量知识的技术与方法，可充分利用模糊逻辑所具有的较强的结构性知识表达能力和神经网络强大的自学习与定量数据的直接处理能力。4.2.2建筑工程造价预测软件MATLAB拥有更丰富的数据类型和结构、更友善的面向对象、更加快速精良的图形可视、更广博的数学和数据分析资源、更多的应用开发工具。MATLAB就有具有丰富的数学功能，很好的图视系统，可直接处理一些高级的图象。有功能强大的应用工具箱，使用方便，还具有很好的扩张功能，使用MATLAB语言编写的程序可以直接运行，无需编译，同时它还具有很好的帮助功能。在本文中也正是应用MATLAB的这种强大的功能实现对建筑工程造价的预测。4.2.3建筑工程造价预测程序图36 大庆石油学院本科生毕业设计（论文）否否是输入样本信息信息模糊化，规则推理提示结束结束信息分解信息扩充信息收缩样本信息可用？动态网络检测提取特征信息样本管理学习模块是信息反模糊化完成所用？工程总造价工程子项目造价预测值输入拟建工程信息调用网络进行预测图4-1建筑工程造价预测程序流程图36 大庆石油学院本科生毕业设计（论文）4.2.4样本资料表4-1特征因素具体数据工程特征A1A2A3A4A5A6A7A8A9A10建筑面积6290450055504600360019503600288089655653层数109985566106房间组合两室一厅两室一厅三室一厅三室一厅两室一厅两室两厅三室一厅两室一厅两室一厅两室两厅结构形式剪力墙砌体结构剪力墙剪力墙砌体结构砌体结构砌体结构框架结构剪力墙框架结构基础类型灌注桩基灌注桩基条形基础条形基础预制桩基条形基础预制桩基预制桩基独立基础预制桩基屋面形式斜屋面平屋面斜屋面平屋面斜屋面人字屋顶斜屋面斜屋面斜屋面斜屋面门窗类型铝合金门窗塑钢门窗铝合金门窗塑钢钢窗铝合金木门钢窗木门钢窗塑钢门窗塑钢门窗钢门木窗人工价格70556575504055608055机械设备130012001100125090010001250120012501150主要材料钢筋2750275027002600250028002700300028002750水泥400370350330300360375370365360沙石150160155165145150150145150150外装修白色涂料白色涂料乳胶漆绿色涂料乳胶漆白色涂料白色涂料乳胶漆白色涂料绿色涂料内装修白灰墙涂料涂料白灰墙白灰墙涂料白灰墙涂料涂料白灰墙楼地面水泥地面水磨石水泥地面水泥地面水磨石水泥地面水泥地面水泥地面水泥地面水磨石净高3.33.02.93.02.93.23.03.03.52.9造价(元m2)761.88629.6709.18657.6450.45589.62542.54491.73801.6558.9236 大庆石油学院本科生毕业设计（论文）4.2.5特征因素定量化对于特征因素中的确定性因素与模糊因素作定量化处理，以便于计算机的识别。（1）确定性因素的处理：设第k个样本工程的确定性因素指标为，n为样本数量，m为确定性因素的个数，，将特征向量写成向量形式：（4-1）按照“遍除最大值”法将以上数列化为之间的量，处理后的确定性因素转化为能够反映单项因素优劣的相对值。（4-2）（2）模糊因素的处理：具体方法是，首先描述模糊因素，定义影响工程造价的标准特征因素的基本特点，并令标准特征因素指标为0.5，将依次与之进行对照比较，优者取0.5～1.0之间，位劣者取0～0.5之间值，如此根据相对好坏程度确定相对值大小[25]。并按照前面模糊系统中所描述的处理。其中4.3中也详细介绍了工程造价预测中模糊信息处理方法。在本文中，根据所搜集的样本数据，综合考虑各种因素后得出如表4-2所示结果。表4-2已建工程与拟建工程定量化数据造价资料工程特征A1A2A3A4A5A6A7A8A9A10SF10.700.500.620.510.400.220.400.3210.630.57F210.900.900.800.500.500.600.6010.60.6F30.800.850.9010.800.800.950.850.800.800.90F410.850.910.880.720.750.830.810.920.840.85F50.8310.750.890.570.830.780.890.970.810.84F60.850.800.850.80.90.8510.800.850.90.8536 大庆石油学院本科生毕业设计（论文）工程特征A1A2A3A4A5A6A7A8A9A10SF70.940.9310.830.890.860.830.940.920.930.96F910.920.850.960.690.770.960.920.960.880.92F100.920.920.900.870.830.930.9010.930.920.90F1110.930.880.830.750.900.940.930.910.900.83F120.910.970.9410.880.910.910.880.910.910.91F130.940.830.8010.570.580.710.730.850.760.96F1410.810.850.670.580.670.690.670.760.660.93F150.930.960.840.8310.970.890.820.890.980.96F160.940.860.830.860.830.910.860.8610.830.86造价761.88629.6709.18657.6450.45589.62542.54491.73801.6558.92待估4.3建筑工程造价预测模糊信息处理方法动态模糊神经网络对于建筑工程造价预测模糊知识处理方法，主要在于解决由于输入信息冗余或缺少，或者是输入的信息与网络无直接相关是，动态模糊神经网络对于此种状况做出相应处理，具体的标准化包括信息扩充、信息收缩和信息分解[6]。（1）DFNN信息扩充：当设计师给出的信息缺少时，解决如何利用给出信息推理得到其他信息，或按缺省值、经验值处理；（2）DFNN信息收缩：当设计师给出的信息过多，与网络结构相比出现冗余时，解决如何对这些信息进行有效压缩；（3）DFNN信息分解：当设计师给出的信息与网络无直接相关时，使用信息分解功能推理实现网络所需的信息。在模糊逻辑系统中，知识及隶属度的表达为：设论域，U上模糊集A对应的隶属度为，模糊集A可以表示为。36 大庆石油学院本科生毕业设计（论文）动态模糊神经网络对模糊知识处理主要包括如下原理：（1）分解定理：设,则存在，有,。（2）扩展原理：设为普通函数，于是，任意,则；任意。（3）基于模糊规则推理：If　X=AThen　Y=BWithCondition规则中的Condition主要实现信息隶属度对规则的控制。4.4案例分析4.4.1案例描述某建筑公司投资开发住宅楼，工程记为S，6层，建筑面积约为5100平方米，户型为两室一厅，本工程由中建设院设计，其结构形式为剪力墙结构，基础采用钢筋混凝土灌注桩，屋面采用斜屋顶，门窗都为钢门木窗，人工价格为60元/天，机械设备价1200元/天，主要材料中水泥为330元/m3，沙石150元/m3，钢筋2700元/吨，外墙采用外墙乳胶漆，内墙为普通白色涂料，地面为普通水泥地面，建筑物的净高为3.0米。4.4.2案例结果与分析本案例中，输入10个样本，精度可达10-6。总学习时间为6小时，其中整个网络共5层，3个隐蔽层，输入层节点数为16，输出层节点数为1，隐蔽层节点分别是32，32和5，其结果收敛很快，经4187次迭代，总学习时间为30小时。根据以上的数据可以得到待估工程的输入数据，即待估工程的输入数据为：X={0.57，0.60，0.90，0.85，0.84，0.85，0.96，0.75，0.92，0.90，0.83，0.91，0.96，0.93，0.96，0.86}36 大庆石油学院本科生毕业设计（论文）由于样本工程的个数少，为了充分利用所获得的信息，对输入信息进行动态模糊神经网络信息扩充处理。将相关数据和程序输入MATLAB软件中，具体的程序设计见附录，得出如下输出结果：输出的住宅楼的总造价为：3167916元从上面的结果表明，运用动态模糊神经网络法进行工程造价的预测，提高了预测的精度。由于我们要预测的工程细部信息不完整，特征较模糊，在造价预测时具有动态模糊性，符合人类进行造价分析时的特征，因此这样的预测结果是令人满意的，其结论是可行的。动态模糊神经网络法能自动完成案例的相似匹配与回取，使案例库不断补充和更新，既提高了系统计算结果的准确程度，又可适应市场及科技不断发展的形势，因此可以作为同类型建设工程项目的造价预测方法。这表明，运用动态模糊神经网络预测建筑工程造价是可行的。36 大庆石油学院本科生毕业设计（论文）结论在工程造价预测中，模糊系统与神经网络都不是十分完善，本文主要研究了模糊系统与神经网络有机结合形成的动态模糊神经网络方法，以及基于动态模糊神经网络的工程造价预测。根据以上研究，可以得出如下几点结论：（1）运用动态模糊神经网络方法，通过动态调整神经网络结构，网络的精度得到了相应的提高，即提高了建筑工程造价预测结果的精确度；（2）动态模糊神经网络与神经网络相比，优点在于能够处理模糊信息，包括设计信息的冗余、缺少等，加强系统的柔性，考虑被控对象的动态性；（3）在工程造价预测中，动态模糊神经网络能够处理隐层层数与维数的动态变化，极大的提高了工程造价预测的准确性；（4）在实际建筑工程造价预测时，运用动态模糊神经网络方法预测建筑工程造价是可行的。36 大庆石油学院本科生毕业设计（论文）致谢首先要感谢我的指导教师林向义老师，在我的论文撰稿期间，他给与我极大的帮助，使我能在规定的时间内顺利的完成论文，在此我致以深深地敬意与感谢。我还要感谢大学四年中给予我帮助的其他老师，他们所传授的知识使我能很好的完成论文。同时我也要感谢身边的同学，他们同样也对于我论文的撰写给与我很多的帮助。36 大庆石油学院本科生毕业设计（论文）参考文献[1]闻慧萍.基于模糊神经网络的工程快速估价的方[J].科学信息＆建筑与科学.2008,(9):125-126.[2]聂规划，刘平峰，何柳.基于神经网络的建筑工程造价预测研究[J].中国工程科学.2005,10(7):56-59.[3]谢宗平.现代工程造价预测方法发展与研究[J].科学信息(建筑与工程).2007，(22):421.[4]张赞锋等.工程造价预测中的系统分析[J].人民长江.2003,10(34):33-34.[5]白玉清,孙云山.模糊神经网络的发展[J].科技情报开发与经济.2007,21(17):157-158.[6]赵亮，胡旭晓，潘双夏等.基于动态模糊神经网络的产品成本估算[J].浙江大学学报(工学版).2006,2(40):304-308.[7]胡秦.基于人工神经网络的高校建筑工程造价预测系统的研究与应用[D].西北工业大学.2006:10-26.[8]陈晓宇等.浅议工程造价预测模型的建立[J].中国水运.2007,1(7):119-120.[9]张爽.基于模糊预测的工程造价快速算法研究[J].黑龙江工程学院学报.2005，2(19):11-13.[10]蔚承建,王文涛,苏振民.基于神经网络的建筑工程造价估计[J].南京建筑工程学院学报.1995,(3):71-75.[11]李兆福.模糊神经网络及其应用[D].南京理工大学.2003:18-26.[12]吴玮.模糊数学方法在工程造价估算中的应用[J].中国工程咨询.2008,(10):21-23.[13]D.A.Linkens,Min-YouChen.Inputselectionandpartitionvalidationforfuzzymodelingusingneuralnetwork[J].FuzzySetsandSystems.1999,(107):299-308.[14]HojjatAdeli.NeuralNetworksinCivilEngineering1989to2000[J].ComputerAidedCivilandInfrastructureEngineering.2001,(16):126-142.[15]唐俊.基于动态模糊神经网络的建设工程造价估算系统[J].湖南城市学院学报.2008,4(17):63-66.[16]YasarBecerikli,AhmetFeritKonar,TarıqSamad.Intelligentoptimalcontrolwith36 大庆石油学院本科生毕业设计（论文）dynamicneuralnetworks[J].NeuralNetworks.2003,(16):251-259.[17]吴开微,陈娟.工程造价的模糊神经网络估测方法[J].数量经济技术经济研究.2001,(9):80-82.[18]毛义华,熊鹰.基于神经网络的工程造价快速估算[J].中国管理科学.1998,4(6):9-14.[19]张爽.基于神经网络的工程造价估价模型[J].森林工程.2005,21(3):58-62[20]喻永平.DFNN及在城市建设用地方面需求预测的应用[J].测绘信息与工程.2008,6(33):30-32.[21]王爽.模糊神经网络的理论与应用[J].江苏环境科.2007,2(20):98-100.[22]张宏海等.模糊系统与神经网络[J].安徽工程大学学报.2003,(20):152-154.[23]王素芬.模糊系统与神经网络结合的现状[J].Thesis.2005,2(5):69.[24]于靖,刘建民,张贺.基于模糊数学的工程造价动态快速估算方法[J].广东工业大学学报.2007,2(24):107-110.[25]闻慧萍.基于模糊神经网络的工程快速估价的方法[J].科学信息＆建筑与科学.2008,(9):125-126.[26]WenYu,XiaoouLi.FuzzyIdentificationUsingFuzzyNeuralNetworksWithStableLearningAlgorithms[J].IEEETransactionsonfuzzysystem.2004,3(12):411-420.36 大庆石油学院本科生毕业设计（论文）附录其中带有“%”的地方是解释说明部分，不是程序部分。（1）DFNN程序function[w1,w2,width,rule,e,RMSE]=DFNN(p,t,parameters)thisisD-FNNtrainingprogram.%Input:%pistheinputdata,whichisrbyQmatrix%tistheoutputdata,whichiss2byqmatrix%qistheNo.ofsampledata%parametersisavectorwhichdefinethepredefinedparameters%parameters(1)=kdmax(maxofacocommodationcriterion)%parameters(2)=kdmin(minofacocommodationcriterion)%parameters(3)=gama(decayconstant)%parameters(4)=emax(maxoferror)%parameters(5)=emin(minoferror)%parameters(6)=beta(convergenceconstant)%parameters(7)=width0(thewidthofthefirstunits)%parameters(8)=k(overlapfactorofRBFunits)%parameters(9)=km(widthupdatingfactor)%parameters(10)=kerr(significanceofarule)%Output:%w1isthecentersofRBFunits,whichisaubyrmatrix%w2istheweights,whichiss2byu(1+r)matrix%widthisthewidthsofRBFunits,whichisa1byumatrix36 大庆石油学院本科生毕业设计（论文）ifnargin<2error("Notenoughinputarguments")endifsize(p,2)~=size(t,2)error("Theinputdataarenotcorrect")end[r,q]=size(p);[s2,q]=size(t);%Settingpredefinedparameterskdmax=parameters(1);kdmin=parameters(2);gana=parameters(3);emax=parameters(4);emin=parameters(5);beta=parameters(6);width0=parameters(7);k=parameters(8);kw=parameters(9);kerr=parameters(10);ALLIN=[];ALLOUT=[];CRBF=[];%whenfirstsampledatacomingALLIN=p(:,1);ALLOUT=t(:,1);%SettinguotheinitialDFNNCRBF=(:,1);w1=CRBF";width(1)=width0;rule(1)=1;%Calculatathefirstouterrora0=RBF(dist(w1,ALLIN),1./width");a01=[a0p(:,1)"];w2=ALLOUT/a01";a02=w2*a01";RMSE(1)=sqrt(sumsqrt(ALLOUT-a02)/s2);%whenothersampledatacomgingfori=2:qIN=p(:,i);OUT=t(:,i);ALLIN=[ALLININ];ALLOUT=[ALLOUTOUT];[r,N]=size(ALLIN);[sr]=size(w1);dd=dist(w1,IN);[d,ind]=min(dd);kd=max(kdmax*gama.^(i-1),kdmin);36 大庆石油学院本科生毕业设计（论文）%Calculatingtheactualoutputofthesampledataai=RBF(dist(w1,IN),1./width");ai=ai/sum(ai);ai1=transf(ai,IN);ai2=w2*ai1;errout=t(:,i)-ai2;errout=sum(errout.*errout)/s2;e(i)=sqrt(errout);ke=max(emax*beta.^(i-1),kdmin);ifd>kdife(i)>keCRBF=[CRBFIN];%Addanewrulewb=k*d;width=[widthwb];w1=CRBF";[u,v]=size(w1);%CalculateoutputsofRBFaftergrowingforalldataA=RBF(dist(w1,ALLIN),1./width");A0=sum(a);A1=A./(ones(u,1)*A0);A2=transf(A1,ALLIN);ifu*(r+1)<=N%calculateerrorreductionratetT=ALLOUT";PAT=A2";[W,AW]=orthogonalize()PAT;SSW=sum(W.*W)";SStT=SUM(tT.*tT)";err=((W"*tT)".^2)./(SStT*SSW");errT=err";err1=zeros(u,s2*(r+1));err1(:)=errT;err21=err";36 大庆石油学院本科生毕业设计（论文）err22=sum(err21.*err21)/(s2*(r+1));err23=sqrt(err22);No=find(err23kewidth(ind)=kw*width(ind);aa=RBF(dist(w1,ALLIN),1./width");aa0=sum(aa);aa1=aa./(ones(s,1)*aa0);aa2=transf(aa1,ALLIN);36 大庆石油学院本科生毕业设计（论文）w2=ALLOUT/aa2;outaa2=w2*aa2;sse2=sumsqr(ALLOUT-outaa2)/(i*s2);RMSE(i)=sqrt(see2);rule(i)=s;elseaa1=RBF(dist(w1,ALLIN),1./width");aa01=sum(aa1);aa11=aa1./(ones(s,1)*aa01);aa21=transf(aa11,ALLIN);w2=ALLOUT/aa21;outaa21=w2*aa21;sse3=sumsqr(ALLOUT-outaa21)/(i*s2);RMSE(i)=sqrt(see3);rule(i)=s;endendend（2）orthogonalize正交化程序function[w,a]=orthogonalize(p)%thisprogramisusedtotransformpintoorthogonalizedw[u,v]=size(p);w(:,1)=p(:,1);a=eye(v);fork=2:vb=zeros(u,1);fori=1:k-1a(i,k)=w(:,i)"*p(:,k)/(w(:,i)"*w(:,i));b=b+a(i,k)*w(:,i);end36 大庆石油学院本科生毕业设计（论文）w(:,k)=p(:,k)-b;end(3)RBF程序functiona=RBF(d,w)%thisprogramisusedtocalculatetheRBFunits%input:%disthedistancematrix%wisthewidthmatrix%output:%aistheoutputoftheRBFunitsifnargin<2error("Notenoughinputarguments")endd=d.*w(:,ones(1,size(d,2)));a=exp(-(d.*d));(4)Trans程序functionBB=transf(A,P)%thisprogramisusedtogenerateamatriceinordertocalculate%consequentparameters%A---outputofRBF%P---sampleofinput[u,N]=size(A);[r,N]=size(P);forj=1:Nfori=1:rPA((i-1)*u+1:i*u,j)=P(i,j)*A(:,j);endendBB[A;PA];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 大庆石油学院本科生毕业设计（论文）36'