基于RBF神經(jīng)網(wǎng)絡的工程成本控制研究

劉婷婷+李晨

【摘 要】目前我國經(jīng)濟處于高速發(fā)展時期，隨著體制建設的不斷健全與完善，各項經(jīng)濟技術(shù)指標不斷攀升。其中建筑行業(yè)的發(fā)展勢頭強勁，全社會的固定資產(chǎn)投資逐步增大，但隨之而來的問題也日漸凸顯，其中投資失控嚴重化就是現(xiàn)階段亟待解決的問題之一。因此合理控制建設項目投資成本顯得尤為重要。在此背景下本文提出基于RBF神經(jīng)網(wǎng)絡的工程成本控制研究，將神經(jīng)網(wǎng)絡技術(shù)與工程成本控制有效結(jié)合，從而提高建設成本估算精度，更好的發(fā)揮建設工程的經(jīng)濟價值。

【關(guān)鍵詞】工程成本；工程估算；估算方式；RBF算法

一、引言

在社會經(jīng)濟高速發(fā)展時期，投資管理的失控在固定資產(chǎn)投資不斷積累的大前提下逐日顯現(xiàn)。工程建設整個全生命周期中，前期階段耗費建設成本少但影響程度極高，且一般建設企業(yè)對前期控制缺乏重視，導致工程成本的嚴重失控，故應將投資控制重心由施工階段向前期投資決策階段轉(zhuǎn)移，但現(xiàn)階段投資決策所采取的傳統(tǒng)工程造價估算方式已不能適應市場經(jīng)濟發(fā)展的需要，如何快速且準確的確定投資估算，對建設項目投資控制來說意義重大。在此研究背景下本文提出基于R BF神經(jīng)網(wǎng)絡的工程成本控制研究，通過模擬人工智能建立一種新型估算成本模型，從而快速準確的得出成本估算，為投資決策者提供可靠的理論依據(jù)。

二、RBF神經(jīng)網(wǎng)絡理論

徑向基（R adial Basic Function Neural—R BF）神經(jīng)網(wǎng)絡是二十世紀八十年代末由Darken和Moody兩位科學家提出并建立的一種三層前饋神經(jīng)網(wǎng)絡。它是一種可以模擬人腦局部調(diào)整、相互覆蓋接收域的網(wǎng)絡拓撲結(jié)構(gòu)，具有全局、最佳逼近性能的三層前饋網(wǎng)絡（如圖1 R BF神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)模型）。R BF神經(jīng)網(wǎng)絡結(jié)構(gòu)上含有隱含層神經(jīng)元到輸出層神經(jīng)元的權(quán)值線性關(guān)系，其訓練過程快速，不會發(fā)生局部最優(yōu)問題，這些優(yōu)點使得R BF神經(jīng)網(wǎng)絡具備良好的推廣基礎。大量研究結(jié)果表明：只要有足夠的隱節(jié)點徑向基函數(shù)，R BF神經(jīng)網(wǎng)絡能任意逼近多變量連續(xù)函數(shù)，是一種性能優(yōu)良的神經(jīng)網(wǎng)絡。

三、基于RBF神經(jīng)網(wǎng)絡的造價估算方法

（一）問題描述

基于R BF神經(jīng)網(wǎng)絡的造價估算模型是在調(diào)查、搜集大量已建工程歷史資料（數(shù)據(jù)）的基礎上，通過數(shù)據(jù)分析列出影響工程成本估算的主要工程特征，之后利用德爾菲法對相關(guān)特征的重要程度進行排序。

選取目標特征應用R BF神經(jīng)網(wǎng)絡進行訓練，神經(jīng)網(wǎng)絡訓練完畢后，如果數(shù)據(jù)顯示實驗偏差在允許誤差值內(nèi)，則證明此模型有效，可作為造價估算的有效工具應用于待建工程進行造價估算。

（二）工程特征的選取

所謂工程特征是指能表征工程特點，且能反映工程主要成本構(gòu)成的重要因素。工程特征的選取，應參照歷史工程資料的統(tǒng)計和分析，并根據(jù)專家的經(jīng)驗確定。通過對典型住宅工程的成本組成及建筑結(jié)構(gòu)參數(shù)變化對成本的影響進行分析，本文列出一些工程特征利用德爾菲法進行選取，確定將底層建筑面積、標準層面積、建筑層數(shù)、基礎類型、柱的數(shù)量、電梯數(shù)量、房間數(shù)量七種主要因素作為工程特征，其中基礎類型為定性因素，其余為定量因素。這些參數(shù)是樣本案例中占主導地位的成本驅(qū)動因素，決定了建筑物形式上的特征和建筑物建筑結(jié)構(gòu)材料的需用量。

將選取的特征因素加入神經(jīng)網(wǎng)絡算法，通過函數(shù)反復驗證得出估算模型的具體參數(shù)，以此模型為基礎，在以后的工程項目中選取相關(guān)因素的具體值便能得出相對較精準的工程造價估算成本。

（三）RBF神經(jīng)網(wǎng)絡的訓練算法過程

R BF神經(jīng)網(wǎng)絡的訓練過程包括隱含層神經(jīng)元的訓練和輸出層神經(jīng)元的訓練兩個步驟。

（1）隱含層神經(jīng)元訓練過程采用無監(jiān)督式訓練聚類算法。

本質(zhì)上隱含層的神經(jīng)元主要是對輸入向量的局部進行分析，決定隱層神經(jīng)元的重要參數(shù)是高斯型函數(shù)的寬度σj和中心Cj。當輸入信號與某一隱層神經(jīng)元的中心Cj最接近時，神經(jīng)元的輸出最大。隨著信號與中心距離的擴大，神經(jīng)元的輸出將會逐步減少。

完成聚類計算之后，便可以確定隱含層神經(jīng)元的輸出值，這種聚類算法是一種無監(jiān)督式的訓練方法。

（2）輸出層神經(jīng)元訓練過程采用有監(jiān)督式訓練算法。

本質(zhì)上，輸出層的神經(jīng)元主要是通常采用最小二乘法來監(jiān)督訓練。下面進行輸出神經(jīng)元的最小二乘法有監(jiān)督訓練步驟。

設神經(jīng)網(wǎng)絡的訓練樣本向量為{Xn，d（n）}，n=1，2？，N，假定輸出層僅有一個神經(jīng)元，其中Xn Rn為網(wǎng)絡的輸入數(shù)據(jù)矢量；N為訓練樣本數(shù)據(jù)量：d（n}Rn為網(wǎng)絡的期望輸出響應。

根據(jù)線性回歸模型，網(wǎng)絡的期望輸出表達式為：

上述隱含層和輸出層的計算表明，R BF神經(jīng)網(wǎng)絡學習過程完成時，神經(jīng)網(wǎng)絡網(wǎng)絡輸出的權(quán)值及隱含層的神經(jīng)元個數(shù)可以同時確定。

（四）算例分析

收集北京城建公司已建的10棟住宅樓工程的實際數(shù)據(jù)進行處理后（見表1）作為輸入數(shù)據(jù)和輸出控制，其中1～6組為訓練樣本，7～10組為檢驗樣本。訓練次數(shù)最大設為5000次，網(wǎng)絡目標誤差0.001，運用Matlab中的神經(jīng)網(wǎng)絡工具箱建立模型。網(wǎng)絡由全局誤差趨向于極小值，并實現(xiàn)各層之間的連接，經(jīng)過10次訓練后，網(wǎng)絡的目標誤差達到要求，收斂速度較快。

從測試結(jié)果可以看出通過反復訓練，測試樣本的相對誤差控制在5%以內(nèi)，這表明R BF估算模型的泛化能力較好，此模型較為成功。出現(xiàn)個別數(shù)據(jù)誤差較大，這說明網(wǎng)絡對有些特征學習不夠，其主要原因在于數(shù)據(jù)樣本數(shù)量有限。但即便如此，與其他模型相比，相對誤差較小，其結(jié)果還是較為理想的。隨著樣本的充實和數(shù)據(jù)的積累，誤差將不斷縮小，一定會得到更為理想的結(jié)果。上述結(jié)論說明R BF神經(jīng)網(wǎng)絡估算模型對于工程前期的估算工作是行之有效的。

四、結(jié)語

本文提供了一種在建筑設計前期階段對結(jié)構(gòu)系統(tǒng)進行投資估算的經(jīng)濟、快速方法。這種基于R BF神經(jīng)網(wǎng)絡的成本估算方法，可以根據(jù)具體的建筑項目對輸入?yún)?shù)進行適當修改，運用于建筑工程的早期設計中，進行投資估算，對提高設計決策的準確性，提高項目和企業(yè)的競爭力都將會起到較大的推動作用。

（1.華北電力大學，北京 102206；2.中國人民公安大學，北京 100038）

參考文獻：

[1]李大龍.基于RBF神經(jīng)網(wǎng)絡的政府公共建設項目投資估算方法研究[D].江西：江西理工大學碩士學位論文，2011.

[2]譚德精，杜曉玲.工程造價確定與控制[M].重慶：重慶大學出版社，2004.02.

[3]楊毅.基于人工神經(jīng)網(wǎng)絡的快速建筑工程估算方法的研究[D].重慶大碩士學位論文，2007.11.

[4]南方某公司2011-2013年配電網(wǎng)建設工程可研批復、初設及概算批復和決算審計金額對比分析報告[R]，2013：1-57.

[5]楊旭中.電力工程造價控制[M].北京：中國電力出版社，1999.

[6]張恒喜，郭基聯(lián)，朱家元，虞健飛.小樣本多元數(shù)據(jù)分析方法及應用[M].西安：西北工業(yè)大學出版社，2002.09.

[7]KouslousVasily， Koehn Edward.Predesign CostEstimation Function for Buildings[J].Journal of the Construction Division ASCE .Dec1974：589-604.

[8]Karshenas weed. Predesign Cost-Estimation Method for Multistory Buildings[J]. Journal of the Construction Engineering and Management ASCE. March， 1984：79-86..endprint