基于BP神经网络的轨道交通车站工程项目估价研究

根据城市轨道交通车站工程项目造价的影响因素,利用BP神经网络的基本原理构建关于城市轨道交通车站工程项目造价的神经元输入输出向量,建立了相应的BP神经网络模型。在对实际工程项目样本分析的基础上,利用MATLAB的人工神经网络模块,模拟从工程项目特征到工程项目造价的非线性映射关系,将其应用于实际的城市轨道交通车站工程项目造价估算,精度达到造价估算要求。通过对某市轨道交通路线的历史车站造价样本训练和实例样本计算分析,得到了较好的计算结果,验证了该方法的预测准确性和收敛性。     

基于支持向量回归机模型的地下水位动态模拟

研究地下水位动态变化,对于正确评价和合理利用地下水资源、防止土壤盐碱化及保护生态环境具有重要意义。为探讨不同核函数支持向量回归机对地下水位预测的效果,分别采用多元回归、BP神经网络及3种不同核函数SVR建立地下水位预测模型并进行对比分析。结果表明,RBF核函数SVR预测结果平均相对误差为0.85%,均方根误差为0.004,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.58%及0.006,精度次之;多项式核函数SVR预测结果对应误差分别为3.72%及0.016,精度与BP神经网络模型大致相同,但高于多元回归模型。在现有3种常用核函数SVR地下水位预测模型中,基于RBF核函数SVR模型预测能力最强,其次是Sigmoid核函数;而多项式核函数则效果最差。     

GA-SVR模型用于日供水量预测的研究

针对日供水量预测问题,提出一种基于遗传算法的支持回归向量机(GA-SVR)模型。以H市为例,采用GA-SVR模型对日供水量进行了预测,并与BP模型和SVR模型的预测值进行了比较。结果表明,H市日供水量预测值与实际值的误差均小于5%,且GA-SVR模型的预测精度高于BP模型和SVR模型。由此可见,GA-SVR模型是一种有效的预测日供水量的方法。     

基于BP神经网络的绿色建筑造价成本估算模型

鉴于目前对绿色建筑造价成本的研究较少,通过分析影响绿色建筑造价成本的主要因素,建立了基于BP神经网络的绿色建筑建造成本估算模型,并利用MATLAB软件对模型进行了训练,最后用工程实例对模型进行了验证,结果表明该模型具有较好的泛化能力,能较准确的估算绿色建筑的造价成本。因此BP神经网络在这方面有很好的应用前景。     

火灾气体辨识的人工神经网络方法研究

为了解决火灾气体探测时,能有效地辨识火灾标示性气体的问题,提出一种人工神经网络的辨识方法。通过设计三层反向传播(BP)人工神经网络模型,使用自适应学习速率的BP算法,对所设计的火灾气体辨识BP网络进行训练,经过410次训练后,达到目标误差1×10-4,而且验证实验中的最大输出误差仅为0.0907。表明:火灾气体辨识的人工神经网络方法能有效地识别“火灾”与“非火灾”状态。     

BP神经网络在PC建筑造价预测模型构建中的应用

文中分析了应用BP神经网络预测装配式建筑造价的合理性,选取造价预测指标,确定样本数据,建立了基于BP神经网络的装配式建筑造价预测模型;通过样本数据的仿真试验,验证了该模型在装配式建筑造价预测方面误差小、稳定性好、速度快及准确性高等优点,可为项目的投资决策提供数据支持。     

基于CART-SVR模型的混凝土抗压强度预测研究

为了提高混凝土抗压强度预测精度,根据影响因素与抗压强度的变化规律,提出了1种基于CART算法优化SVR回归算法的预测方法。SVR算法基于结构风险最小原理来提升泛化能力,由于惩罚因子人为设置,该因子设置过大会导致训练欠拟合,过小会导致预测精度不足。主要改进是通过CART决策树中的剪枝算法生成一系列惩罚因子,进而交叉验证生成最优决策树,进行属性约简,剔除冗余信息,实现数据降维。使用CART-SVR模型与AB、AB-KNN、RF、GBM模型对比试验,均方根误差（RMSE）至少减少了6.7%,平均减少了40.1%。研究结果表明,该模型具有生成最优惩罚因子、优化SVR参数的优点,为实现混凝土抗压强度的高精度预测提供了新的思路。     

洞室围岩压力预测的研究

利用人工神经网络技术,建立了围岩压力预测的BP神经网络模型,并以数值模拟的计算结果作为实测固岩压力的控制指标,采用围岩压力的实测数据对网络进行了训练,最后以此训练好的BP神经网络对围岩压力进行了预测.通过与非线性预测对比表明,该人工神经网络模型具有较高的预测精度,为预测围岩压力提供了一种新的方法.     

建设工程造价指数预测研究北大核心

建设工程造价指数是反映工程价格波动的重要指标,是进行工程造价管理的重要依据。针对灰色预测模型和人工神经网络的局限性,在引入适用性更强的随机振荡GM(1,1)模型和蚁群改进BP神经网络的基础上,提出将两者融合的组合循环模型并进行实证分析验证,为准确预测工程造价指数提供借鉴。     

建设工程造价指数预测研究

建设工程造价指数是反映工程价格波动的重要指标,是进行工程造价管理的重要依据。针对灰色预测模型和人工神经网络的局限性,在引入适用性更强的随机振荡GM(1,1)模型和蚁群改进BP神经网络的基础上,提出将两者融合的组合循环模型并进行实证分析验证,为准确预测工程造价指数提供借鉴。     

基于BAS-SCA-BP模型的高校建筑工程项目投资估算研究

针对标准BP神经网络建筑工程项目投资估算模型收敛速度慢、预测精度低的问题,提出融合改进天牛须和正余弦双重优化算法（BAS-SCA）优化BP神经网络的建筑工程项目投资估算模型。以某市高校建筑工程项目为研究对象,分析相关文献并结合显著性理论初步选择工程造价影响因子,利用粗糙集属性约简算法筛选出关键因素;基于此,通过构建基于BAS-SCA-BP的神经网络估算模型实现快速、准确的建筑工程投资估算。研究结果表明：基于BAS-SCA-BP的估算模型较标准BP神经网络估算模型的估算精度有了大幅提高,与其他智能算法改进的BP神经网络估算模型的性能相比较,该模型在稳定性和预测精度方面表现更佳。     

基于BIM-5D 的工程施工成本预测系统构建

成本预测能够体现工程实施阶段的造价波动及变化趋势,控制成本在合理范围,从而减少投资风险以及施工方实施过程的风险,具有重要意义。为了降低施工过程中影响价格的不可预见因素不确定性,以及人材机等价格的不可控性,实现人才机等价格非线性走势进行预测,构建了BIM-5D 工程成本预测系统。基于BP 人工神经网络,挖掘BIM 功能价值,结合BIM-5D 在造价管理的潜在优势,介绍了系统实施流程及主要预测方法,并通过南京青奥体育公园项目案例,论证了基于 BIM-5D 工程成本预测系统的可行性。     

应用GS-FCM复合聚类的配网项目造价分析研究

为有效控制城乡配电网不停电作业下台区新建工程项目造价问题,考虑基于不停电作业角度开展工程项目造价评价及聚类预测指标建立。利用GS-FCM复合聚类模型开展配电网项目指标聚类及评价预测工作,提高模型对复杂高维度评价数据处理能力,通过寻优初始聚类数及合理优化聚类中心点以提高模型聚类预测精度,基于该套模型实现不同地域项目、投资差异及作业难度的项目聚类。通过GS-FCM复合聚类模型实现同类型项目同质性特点搜集及模糊整合评价,并且基于既有典型案例成功经验开展属类项目成本分析及造价管控,提出适用于同属类项目成本控制策略。     

基于外海环境预报的近岸岛礁桥址区波高ANN推算模型

中国跨海桥梁多建于近岸岛礁海域,桥址区的波浪要素随时空演变复杂。桥址区波高的准确推算对于桥梁结构设计和施工组织具有十分重要的意义。提出一种基于外海环境预报数据的近岸岛礁桥址区波高人工神经网络（ANN）推算模型,并以平潭海峡公铁两用大桥桥址海域为研究对象,运用ANN算法中常用的BP神经网络对外海海洋预报台提供的波高、风速数据以及在桥址区实测波高数据进行训练,建立二者之间的映射关系及ANN推算模型。为验证推算模型的可行性和有效性,运用上述模型对桥址区连续80 d的海浪波高进行推算,通过对比前人模型和实测数据发现,推算波高和实测波高的变化趋势基本吻合,均方根误差满足预测要求,获得了理想的预测效果。研究表明,提出的波高ANN推算模型可以利用外海预报信息进行近岸岛礁桥址区的波高推算,且建模过程较为简单。     

基于BP 神经网络的人工单价动态预测模型研究

为了准确预测水运工程人工单价,使定额人工单价与市场人工单价更好接轨,构建基于BP神经网络的水运工程人工单价动态预测模型,并从隐含层数、隐含节点数两个方面对模型进行优化。最后以优化模型对2020年海南省水运工程综合人工单价进行预测作为验证,预测结果为137.76~142.68元/工日。结果表明:该网络模型具有较好的泛化能力,不仅可以弥补各种方法的不足,提高预测方法的适用性和实用性,而且可以及时有效的对定额人工单价进行更新,能够准确地对人工工日单价予以合理准确的计算,并具有一定的推广意义。     

基于BP神经网络的工程造价快速估算模型

快速、准确地进行工程造价估算对控制工程成本具有重要的现实意义。根据神经网络原理和对工程特征的分析,确定了6个工程特征类目作为神经网络的输入向量,提出了基于BP神经网络的工程造价快速估算模型,并选取已建住宅工程为估价实例。经验算,其精度可以满足实际工程投资估算和设计概算的需要。因此,用BP神经网络快速估算工程造价是行之有效的。     

基于SVR的城市供水管网余氯预测分析

支持向量机回归(SupportVector Regression SVR)算法是结构风险最小化原理在函数回归方面的应用。根据北方某城市供水管网余氯的人工采样数据,建立了基于SVR的余氯预测模型,并与人工神经网络、多元线性回归方法进行比较分析,结果表明:在有限样本情况下,SVR模型具有良好的泛化推广能力,各监测点模型预测平均相对误差为1.80%~8.73%,并可获得全局最优解,达到了实用要求,较好地解决了以往管网余氯小样本预测时,常常出现拟合精度高、预测效果较差的问题。     

基于灰关联的PSO-BP神经网络的高层住宅造价估算

针对高层住宅工程造价管理的难点及传统造价估算方法存在的不足,采用灰关联分析与粒子群优化的 BP 神经网络相结合的方法,以高层住宅工程特征指标为网络的输入向量,达到快速、准确地估算高层住宅工程造价的目标。借助文献回顾法与灰关联分析法系统地确定工程特征指标体系并作为神经网络的输入向量;引入 PSO 算法优化 BP 网络的权值及阈值,解决网络收敛速度慢、易陷入局部极小值等缺点。并通过实例验证构建的模型,提高了前期决策阶段造价估算的精确度,实现了快速估算     

铁路桥梁混凝土工程造价大数据计算模型优化设计

基于大数据分析,对铁路桥梁混凝土工程造价计算模型的优化进行了研究。通过分析BP神经网络模型原理,发现该模型多输入多输出因素的非线性网络关系处理能力与本工程造价计算的非线性映射关系相吻合。利用计算机软件MATLAB中的BP神经网络工具箱进行搜索和查询,对于所采集得到的混凝土工程样本数据进行学习训练,把各项模型模拟数据结果和实际得到的样品数据结果进行比较分析,本研究构建的BP神经网络工程造价计算模型的误差率为3.29%,可满足铁路桥梁混凝土工程造价计算的精度要求。     

基于CPTu数据的黏性土不排水抗剪强度#br# 神经网络预测

利用人工神经网络模型,建立基于孔压静力触探（CPTu）现场测试数据的黏性土不排水抗剪强度的预测方法。为建立和验证人工神经网络模型,在3个场地开展CPTu和十字板剪切现场测试,共取得33个测孔的CPTu试验数据和相对应的不排水抗剪强度实测值。通过对比分析不同输入向量、不同网络隐层数、不同神经元数及不同改进算法对人工神经网络模型性能的影响,确定人工神经网络模型的具体形式。通过对训练组数据开展机器学习,所建立的人工神经网络模型能够有效地基于CPTu获得的端阻力和孔隙水压力现场测试数据对黏土不排水抗剪强度进行预测,预测结果与十字板剪切试验实测结果非常接近。与传统用于估算不排水强度的经验关系相比,采用人工神经网络模型预测结果与实测结果相关性显著提高、误差明显降低。