| 标题 | 基于粗糙集理论的建筑工程成本分析 |
| 范文 | 侯文婷 摘 要： 传统建筑工程成本分析方法存在运行效率低、收敛性能差，导致成本分析不准确。因此提出基于粗糙集理论的建筑工程成本分析方法，构建粗糙集?小波神经网络预测模型，实现建筑工程成本的准确分析，通过粗糙集属性约简过滤掉冗余属性，减少小波神经网络输入节点，降低网络结构的复杂性，提高网络训练效率和精度。利用此预测模型，将采集到的建筑工程成本干扰因素通过粗糙集理论实施约简处理，将约简的因素作为小波神经网络的节点输入训练网络，得到建筑工程成本的分析结果。实验结果说明，所提方法具有较高的运行效率和收敛性能，能够对建筑工程成本进行快速、准确的分析。 关键词： 粗糙集理论； 建筑工程； 成本分析； 小波神经网络； 约简； 冗余属性 中图分类号： TN711?34； F407.9 文献标识码： A 文章编号： 1004?373X（2018）19?0083?06 Abstract： The traditional cost analysis method of construction engineering has low operation efficiency and poor convergence performance， which leads to inaccurate cost analysis. Therefore， a construction project cost analysis method based on rough set theory is put forward， in which the rough set and wavelet neural network forecasting model is constructed to realize the accurate analysis of the cost of construction engineering. The attribute reduction of rough set can filter out the redundant attributes to decrease the number of input node of wavelet neural network， reduce the complexity of network structure， and improve the efficiency and precision of network training. The acquired factors influencing the construction engineering cost are reduced by means of rough set theory， and the reduced factor is deemed as input node of wavelet neural network for training network to get the analysis result of construction engineering cost. The experimental results show that the proposed method has high operation efficiency and convergence performance， and can quickly and accurately analyze the cost of construction project. Keywords： rough set theory； construction engineering； cost analysis； wavelet neural network； reduction； redundant attribute 隨着经济的快速发展，建筑行业的市场竞争不断提升，高质量的建筑工程成本管理能够提高建筑工程的效益，增强建筑企业的市场竞争力。寻求有效的建筑工程成本分析方法，对于确保建筑企业健康快速发展具有重要应用意义[1]。传统基于神经网络的建筑工程成本分析方法，存在运行效率低、收敛性能差，导致成本分析不准确。为了解决该问题，本文提出基于粗糙集理论的建筑工程成本分析方法，采用粗糙集?小波神经网络预测模型，实现对建筑工程成本的快速、准确分析。1 基于粗糙集?小波神经网络的建筑工程成本分析 粗糙集理论能够依据不可分辨原理以及知识约简措施，基于数据得到逻辑规则，将该规则当成知识系统的模型，输出定性以及定量的混合性信息，对条件特征以及决策特征间的关联性实施设置，对决策表实施约间获取输入空间同输出空间间的关联性，将冗余属性过滤掉，使得知识表达空间维数降低。小波神经网络基于小波变换以及动态映射原理，采用小波神经网络结构对输入同输出关系知识的隐藏函数编码实施分析[2]，对网络结构实施学习、调控，得到输入空间与输出空间的关联性。本文结合小波分析、神经网络及粗糙集理论，即粗糙集?小波神经网络预测模型，实现建筑工程成本分析，通过粗糙集原理对小波神经网络输入端样本实施约简处理，得到属性间的关系，对小波神经网络结构进行简化。 1.1 粗糙集?小波神经网络预测模型构建 本文设计的基于粗糙集?小波神经网络建筑工程成本预测模型结构如图1所示。 图1中预测系模型是小波神经网络智能预测系统，网络的前置结构是粗糙集，对网络输入节点实施预处理。 1.1.1 粗糙集的约简过程 1.2 建筑工程成本因素分析及数据采集 建筑工程项目具有规模高、周期长等特征，建筑工程成本和较多因素间具有一定的关联性。本文对某建筑企业进行研究，得到建筑工程数据，通过专家调查方法获取影响建筑工程成本分析的干扰因素，这些因素主要有定量指标及定性指标[5]。定量指标是建筑面积、占地面积、建筑总高度、层高、工期、建造当年的造价指数等；定性指标是建筑用途、结构种类、地基种类、基础类型、门窗类型、项目管理水平以及施工现场状态等。 1.2.1 数据的离散化 2） 定性指标。对定性指标的离散化操作结果用表2描述。 对单位面积的建筑工程成本进行约简处理后，可知工程成本分析的干扰因素是：总高度、标准层面积、结构类型、地下室面积以及项目管理水平和工期。 1.2.2 网络训练准备 1） 数据的预处理。获取通过粗糙集属性约简后的最小属性集，将属性集当成神经网中的两个输入节点，完成单位面积建筑工程成本的预测[8]。通过粗糙集约简后的历史数据用表3描述。 小波神经网络输入以及输出都是归一化数据，若规范层建筑面积指标的最高值是9 520，则将全部该指标的值除以10 000获取归一化的数据，其他指标也通过相同的方法获取归一化数据。 2） 小波神经网络的结构和参数选取。分析表3能够获取小波神经网络的输入节点以及输出节点是6和1，基于经验设置隐层节点数大约是8，则“6?8?1”分别用于描述小波神经网络的输入层节点数、隐含层节点数以及输出层节点数[9]。参数选取过程中，设置期望误差[ε=0.000 1]，训练次数是10 000次。 3） 网络的训练和预测评估结果。采用的训练样本是前15组数据，第16～18组作为系统检验样本，网络期望误差是0.000 1，通过10 000次训练。 1.3 建筑工程成本预测 采用粗糙集?小波神经网络模型对建筑工程成本实施预测过程中，期望误差值是0.001，最终得到第16～18样本的预测结果，用表4和图4描述。 将拟建工程的干扰变量输入到训练好的粗糙集?小波神经网络预测模型内，通过式（9）得到拟建工程的成本预测值。2 实验分析 实验对比分析本文方法和神经网络，对两种方法各试验次数低于10 000次，训练的期望误差平方和是 0.000 1，两种方法的运行次数结果如表5所示。两种方法在最高运行次数下的收敛情况如图5、图6所示，迭代200次的误差对比见表6。 综合分析上述结果能够得出，本文方法的收敛效率高于神经网络，误差低于神经网络，具有较高的运行性能。 为了确保建筑工程的相似性，实验采用某建筑工程的6种项目数据当成测试数据，采用本文方法和传统神经网络对该建筑工程成本实施预测，用表7描述。 将约简后的6组数据当成测试样本，输入本文方法和神经网络中，两种方法的工程成本分析结果同真实值对比情况如表8和图7所示。 分析上述實验结果可得，利用神经网络方法进行工程成本预测时，最低以及最高相对误差值是0.030 4和0.044 6，本文方法的最低以及最高相对误差是0.005 8和0.011 6，说明本文方法的预测精度更高，是一种高精度的建筑工程成本分析方法。3 结 语 本文提出基于粗糙集理论的建筑工程成本分析方法，采用基于粗糙集?小波神经网络预测模型，实现建筑工程成本的快速、准确分析，具有较高的应用价值。 参考文献 [1] 许宁，谭立新，范艺林.浅谈绿色施工成本和效益[J].施工技术，2015，44（21）：107?109. XU Ning， TAN Lixin， FAN Yilin. Introduction of the green construction costs and benefits [J]. Construction technology， 2015， 44（21）： 107?109. [2] 王丽，王志祥.建筑工程绿色施工质量与环境成本分析[J].施工技术，2016，45（12）：103?106. WANG Li， WANG Zhixiang. Analysis of green construction quality and environmental costs in construction engineering [J]. Construction technology， 2016， 45（12）： 103?106. [3] 梁喜，陈永鹏.基于VE理论的LCC与直觉模糊TOPSIS法的项目成本方案分析[J].数学的实践与认识，2016，46（20）：93?101. LIANG Xi， CHEN Yongpeng. LCC and intuitionistic fuzzy TOPSIS method based on the theory of the VE analysis of the project cost scheme [J]. Mathematics in practice and theory， 2016， 46（20）： 93?101. [4] 高成，赵学鑫，高世昌，等.BIM技术在中国尊建筑工程施工中的应用研究[J].钢结构，2016，31（6）：88?91. GAO Cheng， ZHAO Xuexin， GAO Shichang， et al. Research on the application of BIM in the construction of a super high?rise China honour project [J]. Steel construction， 2016， 31（6）： 88?91. [5] 张飞涟，刘尚，杨中杰，等.基于粗糙集的大型建设工程项目团队知识存量度量研究[J].模糊系统与数学，2016，30（1）：157?164. ZHANG Feilian， LIU Shang， YANG Zhongjie， et al. The research on measuring knowledge stock of large?scale construction project team [J]. Fuzzy systems and mathematics， 2016， 30（1）： 157?164. [6] 陈超，陈性元，汪永伟，等.基于粗糙集理论的冗余规则处理方法[J].计算机工程与设计，2014，35（1）：21?25. CHEN Chao， CHEN Xingyuan， WANG Yongwei， et al. Redundant rules process based on rough set theory [J]. Computer engineering and design， 2014， 35（1）： 21?25. [7] 张立平，叶回春，周妍，等.基于粗糙集理论的工矿废弃地复垦利用实施效果评价模型及应用[J].中国矿业，2016，25（z1）：249?254. ZHANG Liping， YE Huichun， ZHOU Yan， et al. Evaluation of implementation effect of abandoned mine land reclamation and reutilization and its application based on rough set theory [J]. China mining magazine， 2016， 25（S1）： 249?254. [8] 谭忠富，鞠立伟，陈致宏，等.基于粗糙集理论与CLSDE算法的环境经济调度优化模型[J].电网技术，2014，38（5）：1339?1345. TAN Zhongfu， JU Liwei， CHEN Zhihong， et al. An environmental economic dispatch optimization model based on rough set theory and chaotic local search strategy differential evolution algorithm [J]. Power system technology， 2014， 38（5）： 1339?1345. [9] 蔡振禹，刘阳洋.基于主成分分析的建筑工程成本影响因素分析[J].数学的实践与认识，2016，46（13）：15?22. CAI Zhenyu， LIU Yangyang. Analysis of influence factors of construction engineering cost based on principal component analysis [J]. Mathematics in practice and theory， 2016， 46（13）： 15?22. [10] 郑绍羽，李素芹，毛宝林.基于改进的粗糙集条件信息熵和灰关联投影法的工程项目投标决策研究[J].数学的实践与认识，2014，44（12）：102?111. ZHENG Shaoyu， LI Suqin， MAO Baolin. The study of construction projects bidding decision based on the improved rough sets conditional information entropy and gray relation projection method [J]. Mathematics in practice and theory， 2014， 44（12）： 102?111. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。