一種智能建筑工程管理中的虛擬網(wǎng)絡化應用研究

馬謹瀚

（重慶偉太建筑工程有限公司，重慶 巴南 405409）

針對我國智能建筑這個市場也在不斷的快速發(fā)展,云虛擬網(wǎng)絡化關鍵技術、物聯(lián)網(wǎng)關鍵技術與智能建筑工程技術強強融合是全新的課題研究,基于感知結構網(wǎng)絡關鍵技術應用于智能建筑工程管理技術，同時也是目前研究的新型熱點課題研究。在此基礎上,提出一種基于智能建筑工程管理技術應用中的模型算法研究優(yōu)化手工建筑體系結構。

1 云虛擬網(wǎng)絡化關鍵技術的原理

基于云虛擬網(wǎng)絡化關鍵技術[1]是在自適應云虛擬網(wǎng)絡化關鍵技術和專家系統(tǒng)的基礎原理運用多層數(shù)據(jù)融合彌補了單循環(huán)數(shù)據(jù)在智能建筑工程管理技術工程管理分析數(shù)據(jù)處理的不足和邏輯的缺陷學科。利用多跳自適應云虛擬網(wǎng)絡化是智能傳感器采集數(shù)據(jù)智能建筑訓練樣本仿真學習模型即自動增速各個自適應云虛擬網(wǎng)絡化元連接權閥值與感知識別隱式分布在整個網(wǎng)絡結構體系中實現(xiàn)自適應云虛擬網(wǎng)絡化模式記憶與信息處理應用。

2 云虛擬網(wǎng)絡化中的基于在智能建筑工程管理技術管理應用研究

2.1 多跳自適應云虛擬網(wǎng)絡化技術在造價預測研究

基于BP云虛擬網(wǎng)絡化模型應用200個高層智能建筑工程管理技術工程樣本，導致智能建筑訓練，并用工程實例進行驗證高精確性;而用云虛擬網(wǎng)絡化模擬與輸入層和隱含層加入了偏置自適應云虛擬網(wǎng)絡化元來促進學習智能建筑訓練樣本數(shù)據(jù)中有噪聲、干擾等會造成過度學習現(xiàn)象,同時采用遺傳優(yōu)化算法進行智能建筑工程管理技術結構優(yōu)化。基于BP云虛擬網(wǎng)絡化在智能建筑工程管理技術工程估價中的應用“事物特征提取器”的運算大量過去的工程資料中自動提取工程特征與預算資料的規(guī)律關系數(shù)據(jù)。

2.2 云虛擬網(wǎng)絡化中的基于工程管理績效評價應用研究

針對BP云虛擬網(wǎng)絡化模型對工程管理績效評價問題進行研究建立綜合考慮工期、質(zhì)量、費用、安全四大關鍵指標的工程管理績效評價模型[2]。實踐證明,利用BP云虛擬網(wǎng)絡化關鍵技術在運算工程管理績效評估模型有利于多跳自適應云虛擬網(wǎng)絡化預測工程工期、質(zhì)量、成本、安全與績效之間復雜的非線性關系來提高管理績效的評價數(shù)據(jù)。

2.3 遺傳算法模型中的基于在建設工程評標結構優(yōu)化應用

基于多層云虛擬網(wǎng)絡化的工作原理是先將輸入信號傳輸?shù)较乱粚庸?jié)點運算函數(shù)處理后再將該節(jié)點的輸出信息向下一層節(jié)點傳輸?shù)叫盘杺鬏數(shù)捷敵鰧庸?jié)點為止。同時運用遺傳算法模型構造及算法設計進行方案優(yōu)劣排序、換位矩陣以及能量函數(shù)構造、云虛擬網(wǎng)絡化元之間連接和輸出,并用實例說明了該方法的優(yōu)越性和實用性與非線性。

2.4 云虛擬網(wǎng)絡化模型中的基于在建設工程招投標管理應用研究

基于BP云虛擬網(wǎng)絡化多層數(shù)據(jù)融合多跳自適應云虛擬網(wǎng)絡化關鍵技術原理分析自動預測工程招投標的招標價格和風險因素分析以及競標單位資格審查等方面的應用指出多跳自適應云虛擬網(wǎng)絡化具有的高度并行處理和可完成復雜輸入輸出的非線性映射組合結構,不僅可以保證高的中標率,且可避免招標過程中不確定性因素的影響。運用云虛擬網(wǎng)絡化的工程承包招投標報價的研究,提出了一個多因素確定高層智能建筑工程管理技術投標報價的模型影響報高率的諸多因素,并確定了其權值即確定了用BP云虛擬網(wǎng)絡化實施黑箱操作的樣本輸入值和目標值再通過智能建筑訓練樣本自主調(diào)整修正輸入節(jié)點和輸出節(jié)點間的聯(lián)系得出符合各種情況要求的權值矩陣算法。

2.5 智能建筑工程管理技術中的算法模型研究

運用 BP云虛擬網(wǎng)絡化來實現(xiàn)智能建筑訓練樣本算法即誤差反向傳播算法即BP云虛擬網(wǎng)絡化算法的學習過程分為信息的正向傳播和誤差的反向傳播[1],其通過智能建筑訓練樣本前一次迭代的權值和閾值來應用云虛擬網(wǎng)絡化關鍵技術的第一層向后計算各層云虛擬網(wǎng)絡化元的輸出和最后層向前計算各層權值和閾值對總誤差的梯度進而對前面各層的權值和閾值進行修改運算反復直到云虛擬網(wǎng)絡化樣本收斂 BP云虛擬網(wǎng)絡化輸入向量為隱含層輸出向量輸出層的輸出向量為期望輸出向量為輸入層到隱含層之間的權值矩陣為隱含層第 j個云虛擬網(wǎng)絡化元對其中列向量vj應的權向量;隱含層到輸入層之間的權值矩陣,其中列向量w為輸出層第 k個云虛擬網(wǎng)絡化元對應的權向量。各層信號之間的算法結構為:

以上式中的 f( x)均為s類型函數(shù), f( x)的導數(shù)方程

則使智能建筑工程管理技術訓練樣本輸出層和隱含層的權值調(diào)整量分別

式中:η為比例系數(shù),在模型智能建筑訓練中代表學習速率。如果BP自適應云虛擬網(wǎng)絡化有h個隱含層,各隱含層節(jié)點分別記為,各隱含層輸出分別記為,則各層權值調(diào)整計算公式分別如下:

輸出層

第一隱含層

綜合上述預測分析在 BP云虛擬網(wǎng)絡化學習算法運用各層權值調(diào)整公式均由學習速率、本層輸出的誤差信號和本層輸入數(shù)字離散信號決定在智能建筑訓練樣本學習的過程受決策環(huán)境復雜程度和智能建筑訓練樣本的收斂性即需要增大樣本量來提高網(wǎng)絡關鍵技術所學知識的代表性應注意在收集某個問題領域的樣本時,注意樣本的全面性、代表性以及提高樣本的精確性,增大抗干擾噪聲,還可以采用其他方法收集多層智能建筑訓練樣本數(shù)據(jù)。

3 結束語

隨著云虛擬網(wǎng)絡化關鍵技術中的在智能建筑工程管理技術管理領域是在多層智能傳感器等多種信息關鍵技術飛速發(fā)展,實踐證明,利用云虛擬網(wǎng)絡化控制技術來優(yōu)化智能建筑工程技術比人工分析建筑工程技術要精簡節(jié)約時間。

[1]Moayedi M， Foo Y K。Adaptive Kalman filtering in networked systems with random sensor delays， multiple packet dropouts and missing measurements [J]。ⅠEEE Transactions on Signal Processing， 2010， 58(3):1577-1588。

[2]Ma J， Sun S L。Optimal linear estimators for systems with random sensor delays，multiple packet dropouts and uncertain observations [J]。ⅠEEE Transactions on Signal Processing， 2011， 59(11):5181-5192。