bp神经网络在建筑工程估价中的应用

《bp神经网络在建筑工程估价中的应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第37卷第2魏西安建筑科技大学学技(自然科学版)Vol.37No.22005年6月].Xi'anUniv.ofArch.&.Tech.(NaturalScienceEdition)Jun.2005BP神经网络在建筑工程估价中的应用周ãã萍1，2，胡拣锋2(1.西安建筑科技大学土木工程学院，陕西商安710055;2.西北工业大学力学与土木建筑学院，陕西西安710002)摘要z在建设项目管理中前期工程估价是一项十分重要的工作，根据神经网络的原理和工程造价估算的特点，通过研究工程造价的构成，特别是建筑工程结构和主要分项工程的特征在工程造价中所

2、起的作用，确定了7个主要因素，作为神经网络的输入变蟹，提出了基于BP神经网络的工程估价模型.共收集了20个住宅工程估价实例，其中18个作为训练样本，2个作为检测实例，经测算其精度蒸本可以满足实际工程投资估算的需要.因此，神经商络在这方面有很好的应用前景.关键词g工程千金价:神经网络z估价模型;BP算法中图分类号:F283，TP183文献标识码:A文章编号.1006-7930(2005)02-0262-04TheapplicationofneuralnetworkinthecostestimationofconstructionZHOUL

3、i-ping,HUZhen-feng(1.SchoolofCivilEng.,Xi'anUniv.ofArch.&.Tech..妃'an710055,China;2.SchoolofMechanìcsandCivilEng.,NorthwesternPolytechnicalUníversity,Xi'an710072,China)Abstract:CostestimatìonofconstructÎonprojectsisaveryimportanttaskforman阜gementofconstructionprojects.Acc

4、ordíngtothebasicprinciplesoftheneuralnetworkandthecharacteristicsofprojectcostestimation,withthebreakdownofprojectcostandfactorshavin富effectonthem,andthefunctionsòfstructuresandtheírcharacteristicsreviewedindetail,sevenmajorfactorsareidentifiedasneuralnetworkinputvariabl

5、es.Ûnthebasisofthetheoreticalanalysis,thepaperbringsupthemodelofcostestimationofconstructionengineeringbasedontheBPNeuralNetwork.Eighteenactualconstructionprojectsareusedastrainingsamplesandtwoprojectsareusedastestsamples.Testresultsshowthattheprecisionmeetstheestimation

6、requirementswell.Therefore，也必methodshowsthepromisin窑perspectiveincostestimationofconstructionproject.Keywords:constructioncostestimation1neuralnetwork;estimationmodel;BPcalculatío甜method.确定工程造价是建设工作中十分蠢娶的…环，在不同的设计盼段有着不阔的万法z如韧步设计盼段编制慨算，施工商设计阶段编制旗算，部最为关键的则是在建设前期的工程造价估算.因为工

7、程的估算价是整个成本管理过程的起点，是成本控制的基础.在黯息万变的市场经济环境中，探替一套快速、简捷、实用的工程造价估算方法已成为建筑行业的迫切需要(1)众所周知，工程造价受多方面因素影响，其梅成比较复杂，然随一个有丰富经验的造价师，根据工程类型、特征及其相关情况，参照以往经验和工程数据资料，就能大激桔算出其遗骨，雨先需进行大量繁杂计算，而且经验越丰富，资料积累越多，格算的收稿臼剿:2004制12-13作者简介s周丽善事(1963心，女，陕商赂!la人，副教授，博士研究生，从事建筑经济与管理方面的教学和研究.第2期周丽萍等:BP神经网络

8、在建筑工程估价中的应用263造价就越准确.模仿这种大脑思维模式，正是人工神经网络所擅长的.神经网络模型通用性、适应性强，它不但不排斥新样本，相反它会随着样本数的不断增加而提高自身的概括能力和预测能力.这正好