建筑工程造价的模糊神经网络确定

研究建筑造价准确估计问题,传统的建筑工程造价估算的方法,存在着各种不同的缺陷,难以获得准确的估价结果。在对影响建筑工程造价特征因素进行分析的基础上,将模糊数学与BP神经网络进行了有机的结合,构造了模糊神经网络的建筑工程造价估算模型,模糊神经网络可从样本数据中提取模糊规则,减少了计算量,将隶属度加入网络模型中,增强了模型的学习能力,有效地提高了估算精度。     

基于卷积神经网络的能见度估算

一直以来,如何准确便捷地监测能见度都是减少交通事故工作关注的重点所在,而传统的使用能见度仪检测能见度存在造价高、范围小等缺陷.随着深度学习研究的不断发展,使用深度学习估算能见度也变成现实.本文建立了一种VGGnet?16卷积神经网络模型,经过Dropout(丢弃层)和数据增强优化后,使用监控图像及其对应的能见度值对其进...     

基于遗传算法的神经网络学习方法

本文阐述了将遗传算法用于神经网络权值学习和训练的原理和万法,并详述了神经网络权值学习和训练中遗传算法的具体实现过程。     

神经网络在工业厂房造价估算中的应用研究

在工程估价领域的研究中,利用神经网络进行工程造价快速估算,并取得了一定的研究成果。但是真正应用于实际的不多,取得很好效果的更少,神经网络的设计,对训练方法、因素的选择都会影响实际应用效果。为快速提供企业经验数据,根据神经网络原理和工业厂房造价估算的特点,设计了一个基于BP算法的工业厂房造价快速估算神经网络模型,并对样本选取、特征因素确定及处理等关键问题进行了分析。经仿真训练和验证,表明精度能满足要求,最后把训练得到的知识应用于实际,取得了预期的效果。     

自学习神经网络权值初始化的贝叶斯方法

为了提高神经网络学习速度,以神经网络能实现基本控制功能为给定条件,在此给定条件下利用贝叶斯方法计算各种权值组合的后验概率,根据后验概率初始化网络权值而获得具有基本控制功能的初始神经网络,能够减小学习过程中权值修改的幅度,加快学习速度。通过交流电机矢量控制系统中速度环控制器自设计仿真实验,使用此方法初始化权值的网络自学习速度较随机取值法明显提高,验证了本方法的快速性和有效性。     

深度堆栈自编码网络在船舶重量估算中的应用

传统的船舶重量估算方法多数存在误差大、成本高等问题。为此,提出一种基于深度学习的船舶重量估算算法。利用多层神经网络逐层无监督学习训练初始化参数,通过反向梯度下降的方式微调参数。运用深度堆栈自编码网络挖掘深层次的数据特征,并在ShipWE自建数据库上进行分析。实验结果表明,与传统吃水估算方法相比,该算法具有更强的稳定性和更高的准确性,与BP神经网络算法和径向基函数神经网络算法相比,该算法的精度更高,能有效解决船舶估算可信度低的问题。     

一类随机曲线的控制生成

提出一类形状具有较好可控性和可预见性的随机曲线生成方法,用于描述不具有分形特征的随机现象,从确定的自由曲线出发,对自由曲线的每一型值点给予一个随机权系统,随机地改变型值点的线性组合关系,使自由曲线向随机曲线转变,应用自适应线性神经元网络对自由曲线的调配函数进行训练,由自适应神经网络的自适应学习机理控制随机权系数的取值,并通过控制神经网络的可调参数影响随机权第数的神经网络输出,进一步控制随机曲线的整体或局部形状,对神经网络可控参数的三种不同的设置方式,可把自由曲线转变为规则的、非规则的或具有分形特征的随机曲线,该文所提方法生成的随机曲线,具有较好的可控性,且方法简明、易于实现。     

基于迁移学习的低空摄影测量滑坡方量估算方法

针对现有方法难以准确地估算山体滑坡体积的问题,引入人工智能算法,提出耦合迁移学习与微分算法的低空摄影测量山体滑坡方量估算方法。首先,利用SfM与SGM密集匹配等算法从低空无人机立体影像中解算出高精度三维密集点云,结合可见光植被指数和双边滤波算法从密集点云中剥离出目标区地面点云;然后,构建深度神经网络插值模型来表征二维坐标与高程之间的非线性映射关系,并基于参数共享的迁移学习来自适应优化深度神经网络以实现滑坡目标区高程值预测,进而重构滑坡区域的数字地表模型;最后,基于目标区滑坡前后数字地表模型高程差值和微分算法实现山体滑坡方量估算。实验结果表明,该方法平均相对误差为2.7%,相比常用的方法,显著提高了滑坡方量估计精度,并能适应不同地形条件下滑坡方量估算。     

一种数值属性的深度置信网络分类方法

深度置信网络是个包含多个受限玻尔兹曼机的深层架构。针对深度置信网络分类时由于受限玻尔兹曼机的输入一般是二值向量而造成的信息的丢失从而使分类效果降低的问题,提出了通过在sigmoid单元中增加噪声来将输入缩放到[0,1]区间,使用带有一个高斯隐藏节点的顶层受限玻尔兹曼机实现分类功能的一种数值属性深度置信网络分类方法。深度置信网络和受限玻尔兹曼机可以作为特征提取方法也可以认为是带有训练的初始权值的神经网络。由于连接权值的初始化而不仅仅是神经网络的随机权值,深度置信网络分类应该比原有的传统的神经网络分类拥有更好的性能。在UCI的多个数据集上进行对比验证,实验结果表明深度置信网络分类方法比传统的SVM算法拥有更高的准确性。     

基于神经网络的电池SOC估算及优化方法

鉴于锂电池高度非线性和时变性使其剩余电量难以精确估算,影响电池的管理和控制。基于BP神经网络模型,在具有随机噪声干扰下,分析和比较不同架构的深度学习模型对电池剩余电量估算的运算时间和泛化性能,并根据粒子群算法（PSO）、基于Nesterov动量的RMSProp变学习率算法优化模型,结合数学规划设计出不同深度的最优构架,并与多种神经网络模型进行比较。根据实验数据和模型估算结果对比表明：此优化算法能有效减少模型的运算时间,在双隐层最优构架下,SOC平均估算误差在0.1左右。     

Range estimation of construction costs using neural networks with bootstrap prediction intervals

Modeling of construction costs is a challenging task, as it requires representation of complex relations between factors and project costs with sparse and noisy data. In this paper, neural networks with bootstrap prediction intervals are presented for range estimation of construction costs. In the integrated approach, neural networks are used for modeling the mapping function between the factors and costs, and bootstrap method is used to quantify the level of variability included in the estimated costs. The integrated method is applied to range estimation of building projects. Two techniques; elimination of the input variables, and Bayesian regularization were implemented to improve generalization capabilities of the neural network models. The proposed modeling approach enables identification of parsimonious mapping function between the factors and cost and, provides a tool to quantify the prediction variability of the neural network models. Hence, the integrated approach presents a robust and pragmatic alternative for conceptual estimation of costs.     

RS-IPSO-BPNN模型在建筑工程估价中的应用

针对一般建筑工程估价问题的复杂性,融合粗糙集理论、粒子群算法和神经网络算法的优势,提出了一种新的建筑工程估价模型--基于粗糙集理论、改进粒子群算法和神经网络算法集成的建筑工程估价模型。利用粗糙集理论对影响建筑工程造价的因素进行约简,优化BP神经网络的输入变量;利用一种带收缩因子的改进粒子群算法优化BP神经网络初始权重和阈值。该方法有效地增强了BP算法对非线性问题的处理能力,同时提高了BP算法的收敛速度和搜索全局最优值的能力。选取湖南某市工程案例进行实证分析。研究结果表明,新的算法模型能够以工程特征为依托,科学客观地评估建筑工程造价,具有较高的实际应用价值。     

An Artificial Neural Network-Based Model for Effective Software Development Effort Estimation

In project management, effective cost estimation is one of the most crucial activities to efficiently manage resources by predicting the required cost to fulfill a given task. However, finding the best estimation results in software development is challenging. Thus, accurate estimation of software development efforts is always a concern for many companies. In this paper, we proposed a novel software development effort estimation model based both on constructive cost model II (COCOMO II) and the artificial neural network (ANN). An artificial neural network enhances the COCOMO model, and the value of the baseline effort constant A is calibrated to use it in the proposed model equation. Three state-of-the-art publicly available datasets are used for experiments. The backpropagation feedforward procedure used a training set by iteratively processing and training a neural network. The proposed model is tested on the test set. The estimated effort is compared with the actual effort value. Experimental results show that the effort estimated by the proposed model is very close to the real effort, thus enhanced the reliability and improving the software effort estimation accuracy.     

Improving the COCOMO model using a neuro-fuzzy approach

Accurate software development cost estimation is important for effective project management such as budgeting, project planning and control. So far, no model has proved to be successful at effectively and consistently predicting software development cost. A novel neuro-fuzzy Constructive Cost Model (COCOMO) is proposed for software cost estimation. This model carries some of the desirable features of a neuro-fuzzy approach, such as learning ability and good interpretability, while maintaining the merits of the COCOMO model. Unlike the standard neural network approach, the proposed model can be interpreted and validated by experts, and has good generalization capability. The model deals effectively with imprecise and uncertain input and enhances the reliability of software cost estimates. In addition, it allows input to have continuous rating values and linguistic values, thus avoiding the problem of similar projects having large different estimated costs. A detailed learning algorithm is also presented in this work. The validation using industry project data shows that the model greatly improves estimation accuracy in comparison with the well-known COCOMO model.     

改进的BP算法在建筑工程造价估算中的应用

建筑工程造价估算是项目可行性研究阶段的重要内容.研究了工程造价及其影响因素之间复杂的非线性关系,改进了人工神经网络BP算法,在此基础上建立建筑工程造价估算模型.为了验证模型的正确性,收集了莱芜市20个典型建筑工程项目,并选取其中18个作为训练样本,2个作为测试样本,运用MATLAB建模分析,测试结果表明,预测精度与实际值偏差不大,精度满足要求.神经网络在工程造价估算方面具有良好的发展前景.     

自组织特征映射网络在建筑工程分类中的应用

针对传统建筑工程造价估算方法耗时量大、计算繁琐、误差频出的问题,提出了一种用自组织特征映射(SOFM)网络对建筑工程量样本量化后的值进行聚类的方法。该方法不需要手动标识训练数据集就可以实现不同类型的建筑样本自动分类,有助于提高传统建筑工程造价估算的效率。最后,通过实例验证了该方法的实用性和有效性。实验结果表明,改进的方法用于建筑工程造价估算较传统方法而言具有更高的准确率和更低的误报率。     

基于RBF神经网络的软件成本估算模型

软件成本估算是软件开发过程中一项非常重要的活动,但现有的方法在准确估算软件成本方面还存在不足。针对软件成本估算不够准确的现状,提出了一种基于RBF神经网络的软件成本估算模型。该模型采用样本聚类的方法确定隐含层节点数,利用遗传算法对隐层节点中心值和高斯函数的宽度进行优化,利用线性最小二乘法训练网络的权值。实验证明,该模型能够准确有效地估算软件成本。     

基于人工神经网络铂电阻非线性估计方法的研究􀀁

本文提出了一种基于人工神经网络的铂电阻传感器非线性估计方法,该方法用二次幂级数多项式拟合温度传感器的非线性模型,多项式的系数可由神经网络学习算法得到,当条件发生变化时,只要给出几组测量数据对,通过该方法可自动重新训练网络,获得新的多项式系数,实现传感器的非线性估计。     

基于BP神经网络的高层建筑工程成本造价评估模型

针对高层建筑造价评估准确性低的缺陷,提出基于BP神经网络的高层建筑工程成本造价评估模型.根据建设项目总体投资组成,对成本造价指数分类,确定整体造价修正系数,利用灰关联分析方法构建评估指标体系;根据BP神经网络结构,计算网络误差,并通过梯度下降方法定义输出层、隐含层的误差信号,获取网络权值调整公式;最后利用自适应学习率调...     

Manufacturing cost estimation based on the machining process and deep-learning method

With the extensive application of mass customization, fast and accurate responses to customer inquiries can not only improve the competitive advantage of an enterprise but also reduce the cost of parts at the design stage. Most cost estimation methods establish a regression relationship between features and cost based on the processing features of parts. Traditional methods, however, encounter certain problems in feature recognition, such as the inaccurate recognition of processing features and low efficiency. Deep-learning methods have the ability to automatically learn complex high-level data features from a large amount of data, which are studied to recognize processing features and estimate the cost of parts. First, this study proposes a novel three-dimensional (3D) convolutional neural network (CNN) part-feature recognition method to achieve highly accurate feature recognition. Furthermore, an innovative method of using the quantity to express the identified features and establishing the relationship between them and cost is proposed. Then, support vector machine and back propagation (BP) neural network methods are employed to establish a regression relationship between the quantity and cost. Finally, in comparison with the mean absolute percentage error values, the BP neural network yields a more accurate estimation, which has considerable application potential.