基于模糊模式识别和BP神经网络的工程项目成本预测模型研究

将模糊模式识别与BP神经网络结合起来建立工程项目成本预测模型,首先利用模糊模式识别选取样本工程项目,其次运用BP神经网络进行工程项目成本预测,最后经过算例分析,得出运用模糊模式识别结合BP神经网络建立工程项目成本预测模型是切实可行的。     

GA优化BP神经网络在多参量火灾探测中的应用

针对BP 神经网络的随机权重和阈值稳定性不高的问题,运用遗传算法(GA)对BP 神经网络的初始权重和阈值进行优化,提出了一种基于GA 优化BP 神经网络的多参量数据融合方法以实现火灾探测,提高火灾探测准确率和模型泛化性能,并利用该模型对标准明火和阴燃火中的温度、烟雾浓度和CO 浓度进行数据融合实现火灾探测。研究显示,相较单纯BP 神经网络,经GA 优化的BP 神经网络火灾探测算法能够更快速精确地实现火灾探测,探测精度有显著改善,火灾识别准确率提高至98.84%。     

基于遗传算法和BP神经网络的多维客户行为细分模型的研究

根据BP神经网络强处理非线性问题和遗传算法具有全局寻优的特点,总结出用遗传算法优化BP神经网络的初始权值和阈值,建立了基于遗传算法和BP神经网络的多维客户行为细分模型,对客户进行细分,挖掘出潜力客户,有效降低营销成本。最后,利用Matlab对多组数据进行测试,并与纯BP算法进行分析比较,结果表明该方法是有效可行的。     

基于 ANP 与麻雀搜索算法优化 BP 神经网络的装配式建筑进度风险评价

进行进度风险评价是装配式建筑风险管理的重点,也是提高装配式建筑工期效益的关键。从设计生产、运输供应、施工管理及环境 4 个方面识别影响因素并进行风险评价指标体系构建,在此基础上采用网络层次分析法（ ANP）构建指标关系网络并进行权重计算。同时针对传统 BP 神经网络评估精度低的问题,引入麻雀搜索算法（ SSA）优化 BP 神经网络,建立起基于 ANP 与 SSA-BP 神经网络的评价模型实现对装配式建筑进度风险的评价研究,通过与 ANP-BP 神经网络评价模型的对比验证了该模型的准确性与稳定性。     

基于BIM和BP神经网络的成本预测方法研究

本文运用BIM模型进行算量,BP神经网络算法进行预测价格,从而提出BIM神经网络成本预测的研究方法。以某一层办公楼的钢筋混凝土单位工程造价作为案例进行成本预算,测试得到的成本范围具有一定预见性和参考价值。     

mRMR和PSO算法对神经网络预测模型优化效果

提出利用最大相关和最小冗余(mRMR)算法、粒子群优化(PSO)算法,对BP神经网络预测模型进行优化。对某住宅楼进行供热负荷预测,评价3种神经网络预测模型(BP神经网络预测模型、mRMR-BP神经网络预测模型、PSO-mRMR-BP神经网络预测模型)的预测效果。在3种神经网络预测模型中,BP神经网络预测模型的预测效果最差,PSO-mRMR-BP神经网络预测模型的预测效果最佳。与BP神经网络预测模型相比,经过mRMR算法对输入变量进行筛选以及PSO算法对初始参数进行优化,PSO-mRMR-BP神经网络预测模型的预测效果显著提高。     

BIM技术和神经网络相融合的装配式建筑成本控制研究

为了高效、准确地实现装配式建筑成本控制,提出BIM技术和神经网络相融合的装配式建筑成本控制方法.首先通过BIM技术对建筑实施建模,并导出各项几何造价信息,根据估价指标和造价软件得到初步测算结果,然后将所得结果输入BP神经网络进行学习,并引入遗传算法优化神经网络的权值、阈值,建立装配式建筑成本控制模型.根据模型的预测结果对装配式建筑成本进行优化,最后进行仿真对比实验,结果表明:相对于对比方法,所提出方法的建筑成本预测精度更高.     

BIM技术和神经网络相融合的装配式建筑成本控制研究

为了高效、准确地实现装配式建筑成本控制,提出BIM技术和神经网络相融合的装配式建筑成本控制方法.首先通过BIM技术对建筑实施建模,并导出各项几何造价信息,根据估价指标和造价软件得到初步测算结果,然后将所得结果输入BP神经网络进行学习,并引入遗传算法优化神经网络的权值、阈值,建立装配式建筑成本控制模型.根据模型的预测结果对装配式建筑成本进行优化,最后进行仿真对比实验,结果表明:相对于对比方法,所提出方法的建筑成本预测精度更高.     

基于PSO-BP算法对古建筑消防安全评价

基于影响古建筑火灾发生的原因,建立了比较合理的消防安全评价指标体系,并构建了以粒子群(PSO)算法优化BP神经网络的评价模型。通过样本的建立,确定了BP神经网络的网络结构,运用粒子群算法去优化BP网络的初始权值和阈值,再把优化之后的权值和阈值赋给BP神经网络,对其进行训练直到误差满足既定要求。为了验证该评估模型的有效性,最后将训练的粒子群优化的BP神经网络模型应用到奉国寺大雄殿的消防安全评价中。结果表明,此模型收敛更快、适应性更强、精度更高。在古建筑消防安全评价中具有较好的应用价值,实现了古建筑消防安全评价的定量分析。     

基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

冷却塔出塔水温预测方法的对比分析及应用

针对传统的BP神经网络预测方法存在的缺陷,提出了一种经遗传算法优化的BP神经网络预测方法。基于实测数据,比较分析了焓差法、传统BP神经网络法、优化BP神经网络法3种预测方法,并分析了循环水流量、进塔水温、湿球温度、干球温度对冷却塔出塔水温的影响。结果表明,运用优化BP神经网络法得到的出塔水温均方误差为0.000 787℃~2,平均相对误差为0.079 9%,均方根误差为0.028 069℃,明显小于其他预测方法。使用改进后的预测模型对某公司的开式冷却塔全年运行数据进行分析,发现出塔水温与循环水流量、进塔水温、湿球温度呈正相关关系,与干球温度呈负相关关系。     

基于BIM技术与BP神经网络的装配式建筑成本预测模型研究

为了科学、精准地计算装配式建筑成本,利用BIM技术与BP神经网络相结合的方式构建装配式建筑成本预测模型。BIM技术可以增强工程各相关方之间的信息交互,便捷地进行工程信息的收集与处理;BP神经网络具有强大的神经网络训练功能,通过对已知的工程数据进行训练,得到装配式建筑成本预测模型,并将模型运用于实证工程以验证其适用性,旨在丰富我国装配式建筑成本研究方法,提升装配式建筑成本管理水平。     

基于遗传算法优化BP神经网络的短期热负荷预测方法研究

本文以集中供热系统为研究对象,利用遗传算法优化神经网络,对该系统的短期热负荷预测方法进行研究。首先采暖热负荷受气象因素、系统因素、建筑因素、随机因素等多种非线性因素的影响,针对以上问题,先确定输入、输出样本,建立BP神经网络模型;然后利用遗传算法对BP网络的不足进行优化,建立GA-BP预测模型;最后,以MATLAB软件为平台,用遗传算法优化BP神经网络结构的权值和阈值,实验结果表明,经过遗传算法优化的BP神经网络预测模型的平均相对误差减少5%,对短期热负荷的预测精度有一定的提高。     

解淀粉芽孢杆菌Q-426培养基优化及抑菌活性的预测

为了提高解淀粉芽孢杆菌Q-426发酵生产的抑菌活性,运用响应面法优化解淀粉芽孢杆菌Q-426发酵培养基组分,并利用BP神经网络对抑菌活性进行了预测。优化后培养基配方(g/L)为:葡萄糖3.92、氯化铵0.19、氯化镁3.83、牛肉膏5.00,并以此作为输入数据,将抑菌活性即抑菌圈直径作为输出数据,建立了BP神经网络预测模型。结果表明:优化后抑菌圈直径由24 mm提高到29mm。训练BP神经网络的抑菌圈直径的拟合值与实际值之间的相对误差为-2.962 9%².857 1%,相对误差的绝对值的平均值为1.197 9%;测试BP神经网络的抑菌圈直径的预测值与实际值的相对误差为-1.111 1%2.857 1%,相对误差的绝对值的平均值为1.197 9%;测试BP神经网络的抑菌圈直径的预测值与实际值的相对误差为-1.111 1%¹.153 8%,相对误差的绝对值的平均值为0.993 1%,说明建立的基于4个培养基成份的抑菌圈直径BP神经网络预测模型是可行的。     

基于BP神经网络的滑坡地质灾害预测方法

为了解决滑坡地质灾害传统预测方法中出现的综合性、实用性不强等问题,本文研究用基于优化参数设置的BP神经网络模型来预测滑坡地质灾害。该方法基于BP神经网络,顾及与滑坡地质灾害产生紧密相关的地质条件和环境因素,对BP神经网络的输入层、隐含层、输出层的参数进行优化;再由历史的经验数据通过训练、泛化建立基于BP神经网络的地质灾害预测模型;最后,按照0和1的组合结果对滑坡地质灾害进行预测。本文利用该模型对汶川地震诱发的滑坡地质灾害进行分析预测,结果表明:该模型的预测结果与实际结果吻合度达到86%~90%,预测精度较高,验证了基于改进的BP神经网络预测滑坡地质灾害的方法是实际可行的。     

基于GA改进BP神经网络的建设工程投标报价研究

在建设工程项目投标报价过程中,如何来确定标高金直接关系到承包商能否中标和盈利以及施工企业今后的生存与发展。提出基于遗传算法(GA)优化BP神经网络的标高金预测方法。在分析BP神经网络基本原理的基础上,主要阐述了如何应用遗传算法来改进BP神经网络收敛速度慢和易于陷入极小值等缺点。对BP神经网络模型隐含层节点数进行优选后,建立起GA改进BP神经网络的标高金预测模型;最后应用该模型和一般BP神经网络模型对20个典型国际工程实例的标高金进行计算和预测。计算结果对比发现,经遗传算法改进后的BP神经网络模型在降低计算和预测平均误差的同时,迭代次数比一般BP神经网络模型也大大减少了。因此,该模型适用于求解如建设工程投标报价等非线性问题。     

基于BP神经网络的建筑工程造价估算研究

研究了BP神经网络在建筑成本估算中的应用,分析了建筑成本的影响因素,选取6个因素作为估算模型的参数,建立了一个BP神经网络估算模型,并通过10个样本进行了训练。结果表明,估计模型迭代85次后,网络误差达到设定的最小值,训练是收敛的;与径向基函数（RBF）相比,该模型的估计精度更高,平均误差为5.54%,表明成本估计具有良好的可靠性。研究成果可为建筑行业的投资决策提供可靠的依据,也丰富了BP神经网络在成本估算中的应用。     

基于PCA-PSO-BP神经网络的住宅供热逐时负荷预测

为了准确预测供热负荷,提出了一种基于主成分分析法和粒子群优化算法改进的BP神经网络(PCA-PSO-BP)预测模型。首先利用主成分分析法融合影响热负荷的特征指标,消除指标之间的冗余性和相关性;同时采用粒子群算法优化BP神经网络的初始权值和阈值,克服了BP神经网络容易陷入局部最优的缺陷,提高了BP神经网络的预测精度。基于北京某居住建筑供热系统的实际运行数据,对模型的性能进行了验证。仿真结果表明,改进的模型预测精度提高了4.07%。     

基于小生境等维BP神经网络的沉降预报

针对传统BP神经网络全局优化能力低、无法学习的缺陷,引入遗传算法中的小生境技术,研究了基于小生境等维BP神经网络模型,同时利用MATLAB进行编程实现。该模型的核心思想是借助小生境遗传算法优化神经网络的连接权和阈值,进而提高了等维BP神经网络模型的全局优化能力,改善了模型的收敛性。结合宁波某大楼沉降监测实例,利用小生境等维BP神经网络、GM(1,1)模型、等维BP神经网络模型分别对沉降数据建模预测,结果表明,小生境等维BP神经网络模型更加符合实际情况、预测效果更佳。     

基于小波神经网络对城市供水管网压力的预测

为了对城市供水管网的压力进行更准确的预测,提出了运用小波神经网络的方法,对供水管网压力进行预测。该方法以BP神经网络为基础,用小波基函数取代了BP神经网络的隐含层函数,并对其进行了优化,并用该方法进行模拟仿真。结果表明,小波神经网络比BP神经网络更能准确预测水压值,最大误差为4.39%,最小误差为0.31%。该方法具有更强的学习性能、精确度及容错能力,在水压预测中有更实用的价值。