摘要：社会市场经济和智能建筑技术的发展，与智能建筑关键技术管理的建设成本预测和处理，智能建筑关键技术管理领域的模糊网络多层次数据融合处理分析。智能建筑的成本费用也在急剧上升。如何提高有效管理和合理的成本控制?这已成为目前智能建筑系统技术研究的重要课题。
关键词：建筑工程；工程造价；造价预测；模糊神经网络
估算工程建设费用是投资决策中的必要工作，准确有效的建设费用是制定投资计划，申请融资贷款，控制工程建设费用的主要依据。目前常用的工程成本计算方法有定额法，模拟工程法，回归法，人工智能法。一切方法都有优缺点。
一、慨况
合理有效的建筑成本评估和控制，可以使成本结构更加合理，实现项目经济目标。为了准确地估计建筑工程的成本，施工阶段要加强成本控制。目前传统的成本评估方法是：（1）定额法必须单独考虑固定成本，分成差额，配额变动。②根据类比，模拟工程相似性，测算工程造价，其变异性差，精度低；（3）回归分析，影响工程建设价格的各种因素，精度不高；④模糊数学法，由于建筑工程的个人性质，最相似的工作估计的建筑成本是通过模糊的转换来计算的，缺点是很难确定特征的隶属度和调整系数，在实践中不能进行两项相同的工作，但是由于许多工作之间有一定的相似性，在估算成本时，是根据建筑工程的相似性来进行的。因此，由于影响工程造价因素，工程价格估算不追求特定价值的估计，存在实际成本作业的极限概率值，可以用计算机模拟工序建设过程，利用计算机学习造价清单，得出结论段落，工程价格等相关数据。人工神经网络具有自学和理性的能力。本文用模糊的神经网络（FNN）评价建设成本。目前，在计算建筑成本时，国内外的一些新做法越来越受到关注。为此，我们开展了广泛研究，重点研究两个方面：即利用模糊数学建立模糊估价模型，确定建筑成本。人工神经网络作为一门新兴学科，是一个非常简单的神经细胞网络，它具有大脑的一些神经计算机属性，目的是利用它来解决真正的问题。你可以用给定的样本构建一个神经网络。理论上可以画出任何复杂的非线性关系。目前，网络经常被智能计算机系统的软件、硬件和信息处理系统使用。这将从根本上改变目前的形势，影响计算出的建筑成本沉重落后，用动态的方式设计优化，发挥监督作用的建筑费用，促进建设资金的合理使用。该模型适用于建筑物的所有层次，提供了广泛的应用前景。对有人积累的大量信息制造成本进行长期工作的依据，我们建立了数据库，对建筑费用的工序，神经网络，样品的不确定性，现有的数据库和预计的建筑费用进行评估。完成模型：
二、模糊神经网络关键技术的原理
良好基础神经网络的关键在于一个关键技术，即组织使用模糊的神经网络和专家系统的基本原理数据，进行多个融合，以补充单一数据关键技术是：在智能建筑工程的项目管理分析的缺陷缺乏数据处理和逻辑问题，使用多跳自组织模糊神经网络智能建筑是一个智能传感器收集的数据自动增长每个训练样本模拟研究模型自组织模糊神经连接功率阈值和感知识别隐含的分布在整个网络结构系统实现自组织模糊神经网络模型的记忆和信息处理应用程序。
三、建筑工程造价估算的基本原理
建筑成本有着复杂结构，环境变化以及非常复杂作业的诸多因素的影响。建筑工程中发生的不合理价值评估，投资管理，自主发生明显超标预算；在设施上完成虚假预算，按照论证项目在组成部分的功能条件下计算成本支出，以设计和功能充分满足成本更合理的需要，质量、条件设计和标准为前提，最低的工作时间必须至少投入最低限度的资本投资。影响建筑成本的因素有许多复杂的计算因素和不同的影响因素的不确定性，因此，很难按照传统的工程计算方法来评价成本。虽然建筑工程有相似之处，但计算数学和以人工神经网络理论为基础的构筑计算中可以使用的很多相同类型的工作在某种程度上是相似的。第一，基本特征分析后，使用许多工程标志，搜集与他的工作最相似的项目。最后，使用这些工作的相关费用，制造人工神经网络，进行评价模特成本的神经网络训练，最终获得建设项目的建设费用。
四、网络模型训练
神经网络是一种多层前馈神经网络，输入信号在传播（通过隐层到输出层）和误差反向传播两个核心过程的模型，不断重复，减少误差，因此，模型预测的输出
结果不断重复，直到符合要求，如图1所示。
1.培训样本和预处理。正文分别用1，2，3的数字表示砖混合结构和框架结构，框架结构，以及量化结构的类型。数量化的结果等于表1所示。表格一列举了12个工程实例显示的工程特性指标数据。本文为消除位数对结果的影响，以公式Y-2 / max-min -1对数据进行一元化处理，使数据分布于区间[一1，1]内，以便更均匀，更容易收敛。函数语法[- input是mininput，output是minoutput，minoutput是maxoutput] - premnmx（input output）的结果如表2所示。
表1 工程特征表
2.我们已经筛选出5个输入数据，所以输入的层数法术是15。根据colmogorov定理，三层神经网络的隐含层数为2 dig+1-11，输出节点的数量由目标数据型（7）t决定。设m一1，其模型结构如图1所示。经常使用的激活函数有线性函数、代数s传递函数和双曲线s函数。premmx函数在鉴定过程中被使用，因而选择双曲线作为隐藏层中的激活函数。与traingdx的函数技能相适应，包括训练函数BP和traingd和下降阶梯函数。以适应traingdx学习训练函数。选择了自己适应学习的traingdx训练函数和train学习函数。设置均方误差mse一0．001。使用001 Matlab神经网络工具箱，不断重复训练标本前10组的数据，逐步优化网络性能，相对误差从波动到达到正确要求呈递减趋势。
五、模型验证
将Postmnmx函数进行逆归一处理。然后根据预测结果计算实际数据与预测值之间的相对误差。结果等于3所示。表3所示误差在10%以内，在工程可行性研究分析中投资估算误差率最高，可将此模型适用于建设项目成本预测。
表3 误差分析表
根据该建筑工程处理定量特性，确定判断机制和直观爱护性分析方法的工程应用系数，根据工程特性，屏幕上的工程特点建筑工程成本影响较大，输入大幅简化模型，而且在传统模式中得到了提高。由于模型的精确度高，在应对难题的总力方面，考虑到建设事业的定量特性，在判断机制和直观性方面，确定分析方法的系数，根据工程特性，屏幕的工程特点，建筑工程成本的影响较大，输入大幅简化模型，而且在传统模式中得到了提高。在模型的精确度上升的同时，进一步将选定的工程特性输入神经网络，进行抽查和挖掘，了解工程特性与工程建设价格之间的复杂的非线性关系。利用实例数据对模特进行反复工作，通过案例对模特进行验证。通过实例可以满足预测精度要求，这个模型能有效地筛选工程特性，根据神经网络的自应能力和自学能力，更能适应工程造价动态变化，获得更准确的预测结果。
参考文献：
[1]马涛立．基于建筑设计参数分析模型的工程造价估算［J］．同济大学学报（自然科学版），2014，37（8）：1115－1121．
[2]牛建项．建筑工程造价预测的变结构神经网络模型研究［J］．华北电力大学学报，2014，28（4）：1－4．
论文作者:张玲
论文发表刊物:《防护工程》2019年第5期
论文发表时间:2019/5/31
标签：神经网络论文; 成本论文; 模型论文; 工程论文; 函数论文; 模糊论文; 建筑论文; 《防护工程》2019年第5期论文;