BP神经网络工程造价论文提纲

论文题目：基于PSO-BP神经网络的高层住宅工程造价预测研究

摘要：快速准确地预测工程造价是行业专业人士和众多学者关注的焦点,高层住宅工程造价预测是项目建议书和可行性研究的前提,也是限额设计的基础。对于工程造价的前馈管理而言,精准有效地预测工程造价具有重要的意义。近年来,基于人工神经网络方法的工程造价预测研究较为广泛,但在神经网络中最具代表性的前馈神经网络—BP神经网络具有收敛速度慢且泛化性能差的缺点。因此,本研究通过粒子群优化算法改进BP神经网络,提出了一种基于粒子群优化BP神经网络的预测方法,并将其应用于高层住宅工程造价预测。首先,在阅读大量相关文献的基础上结合高层住宅工程造价的构成及影响因素,建立了全面客观的高层住宅工程造价预测指标体系。对于这些指标,采用主成分分析进行降维处理,得到独立的综合指标,然后将其作为预测模型的输入向量,从而提高了模型的学习效率。其次,利用BP神经网络工具箱构建高层住宅工程造价预测模型。针对BP神经网络利用梯度下降法更新权值和阈值存在的缺陷,本文借助粒子群算法在参数优化领域的优势,通过PSO算法对BP神经网络进行优化。即对BP神经网络结构中各神经元之间的权值和阈值进行编码,通过对每个粒子的智能搜索,找到最合适的权值、阈值,从而使BP神经网络具有更快的收敛速度,更强的泛化能力、更高的预测精度。最后,以兰州市近三年的高层住宅工程为例,对44组样本数据进行收集整理,运用SPSS软件对数据进行预处理。选取14-19组数据作为测试样本,剩余的38组数据作为训练样本,再通过Matlab软件进行仿真分析。结果表明,经过粒子群优化的BP神经网络预测模型精度较高,验证了粒子群优化BP神经网络模型能够满足工程造价管理和控制的要求,具有一定的实际意义。

关键词：高层住宅工程造价;预测模型;BP神经网络;粒子群算法

学科专业：建筑与土木工程（专业学位）

摘要

Abstract

1 绪论

1.1 研究背景及研究意义

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.2.3 研究现状评述

1.3 研究内容与方法

1.3.1 研究内容

1.3.2 研究方法

1.3.3 技术路线

2 相关理论基础

2.1 建筑工程与工程造价

2.1.1 建筑工程的分类

2.1.2 工程造价的含义

2.1.3 工程造价的构成

2.1.4 工程造价的特点

2.2 神经网络

2.2.1 基本概念

2.2.2 神经元模型

2.2.3 神经网络结构

2.3 BP神经网络

2.3.1 BP神经网络结构

2.3.2 BP神经网络算法的数学推导

2.3.3 BP神经网络算法流程

2.3.4 BP神经网络算法的优缺点

2.4 本章小结

3 高层住宅工程造价预测指标体系的构建及指标降维方法

3.1 高层住宅工程造价预测指标体系确定思路

3.2 高层住宅工程造价预测指标体系的构建

3.2.1 高层住宅工程造价预测指标体系的构建

3.2.2 高层住宅工程造价预测特征指标的内涵界定

3.2.3 高层住宅工程造价预测特征指标的量化

3.3 基于主成分分析的指标降维

3.3.1 主成分分析含义

3.3.2 主成分分析的特点

3.3.3 主成分分析的基本步骤

3.4 主成分分析和BP神经网络结合的基本思想

3.5 本章小结

4 基于PSO-BP的高层住宅工程造价预测模型的建立

4.1 粒子群算法

4.1.1 PSO算法概述

4.1.2 PSO算法的数学描述

4.1.3 PSO算法的参数设定

4.1.4 PSO算法的优化流程

4.2 基于PSO-BP的高层住宅工程造价预测模型

4.2.1 BP神经网络工具箱函数

4.2.2 BP神经网络预测模型的建立

4.2.3 PSO算法优化BP神经网络参数

4.2.4 基于PSO-BP的高层住宅工程造价预测流程

4.3 本章小结

5 实例验证

5.1 数据的选取与预处理

5.2 主成分分析确定输入变量

5.3 基于PSO-BP的高层住宅工程造价仿真预测分析

5.3.1 模型的训练与仿真

5.3.2 预测结果分析

5.4 本章小结

6 结论与展望

6.1 结论

6.2 展望

致谢

参考文献

附录 A 高层住宅工程造价预测指标调查问卷