周建海
532324198008111***
摘要：BP神经网络，即误差反向传播神经网络，其算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整特征向量权值和阈值则按从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，也称激励函数变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元特征向量权值的依据。
关键词：BP神经网络;高层建筑;成本造价;评估模型
引言
工程造价成本对于企业和政府而言属于一种投资方式，目的是为获取最大利润，因此在建设过程中必须严格控制成本开销。近年来，我国市场经济进步促进建筑业快速发展，建筑投资主体呈多元化发展趋势。通常情况下，业主在投资之前，会做前期基本评估，精准快速评估工程造价是工程投标竞争的需要。在投资建造过程中要想实现利润最大化必须对投资周期、金额等复杂因素进行综合考虑，牢牢把控造价成本的核心要素，实现成本科学评估。由于我国工程造价管理起步较晚，没有建立完整的理论知识系统，缺乏对成本的有效控制，并且高层建筑结构复杂，需要较长的建筑周期。因此，寻求一种高效切实的造价评估方法已经成为广大学者与业界人士关注焦点。基于此，本文利用BP(表示反向传播，backpropagation，简称BP）神经网络方法建立高层建筑工程成本造价评估模型。
1 BP神经网络的原理
BP神经网络是一种信号正向传导，误差反向传递的多层前馈神经网络。1986年，Rumelhart和McClellandd等科学家提出了BP神经网络的概念。如图1所示，BP神经网络拥有三层网络，分别是输入层、隐含层和输出层。n个输入数据从输入层输入，然后在隐含层被识别处理，最后从输出层输出m个结果。其中，任意一层的神经元的输出结果只能作用于这一层神经元的下一层神经元，神经元之间不会出现交叉作用的情况。当输出的结果没有达到期望输出时，那么应该进行逆向传导，根据其网络预测误差去更新连接权值和节点阈值。对算法进行反复迭代处理，直到输出层的输出值达到预定的目标，那么计算结束。
2 BP神经网络特点
BP神经网络是在人脑组织与活动机制基础上提出的一种数据处理体系，所以能够表现出许多人脑特征。(1）分布式数据储存BP神经网络的数据储存方法与传统计算机储存差别较大，同样的数据不只在一个地方储存，而是分布在神经节点之间的连接结构中。(2）并行式数据处理在神经网络中，任意一个神经节点均可以接收到传输信息，能够结合信息进行独立处理与运算，且将计算结果发送到下一个神经网络做并行数据处理。(3）信息处理的容错性神经网络结构特性主要体现在庞大的结构与空间分布储存上，这两个特性能使神经网络在以下两个方面具有较好的容错性：当部分神经节点遭到破坏时，对网络整体不会产生较大影响；针对数据的输入，若数据残缺或变形，此时神经网络会根据部分数据对缺失数据进行修复。(4）数据处理的自适应性自适应性指根据环境要求，改变本身特性。主要体现在以下几方面：自学习性：在训练过程中，如果外界环境发生变化，在训练一段时间后，可以自动对网络结构参数进行调节。自组织性：在受到外界刺激时，可以根据一定学习规则调节神经节点之间的连接部位，重新构建网络。
3 BP神经网络的高层建筑工程成本造价评估模型
3.1模块导入
Python语言的第三方模块为机器学习和科学计算提供了强大的基础，文章选择机器学习最常用的tensorflow模块进行BP神经网络模型的搭建，并将常用数据分析模块作为辅助功能一并进行导入以实现具体目的。
3.2输入层和输出层确定
工料机等单一造价指数对建筑工程综合造价指数影响较大，经查阅文献及实际分析，可确定输变量为人工、水泥、木材、钢材、砖瓦、砂石、燃油、土石方及筑路机械、桩工机械、起重机械、水平运输机械、垂直运输机械、混凝土及砂浆机械；输出变量为建筑工程综合造价指数。
3.3仿真实验
被控系统只使用线性鲁棒控制和神经网络控制时的跟踪效果图。系统的输出对参考信号有一定的跟踪能力，但系统暂态误差较大，且控制信号存在着较为频繁、剧烈的振荡，说明两者单独使用的控制效果都不是很好。从另一方面也可看出，改进的神经网络控制器对系统非线性具有一定的补偿能力，系统的暂态性能和控制信号的振荡也有所改善。
3.4构建BP神经网络
（1）以GDP（GrossDomestic Product）、CPI（Consumer PriceIndex）为单位工程价格指标，以建筑面积为估价自变量，以实际建安费为因变量。由于CPI与GDP在时间上具有滞后性，因此常采用前些年的数量作为基数，设置CPI年度值，GDP为央行预计增长率。在数据库中选取多个相似项目，在因变量与自变量数据中分别选取A组训练数据与B组测试数据，且A组数据多于B组数据，归一化处理训练数据。（2）训练BP神经网络：利用所得数据确定BP神经网络结构，并对BP神经网络相关参数进行初始化，从而开始训练。（3）造价预测：在初步测算结果的矩阵中导入预测数据并完成归一化，得到BP神经网络的预测输出，反归一化处理输出结果可得出估价预测值。将预测值与期望值相减，得出误差值，对误差进行分析，从而自动调整神经网络参数，以使拟合效果更佳。
3.5控制精准度
为了验证本文方法的建筑成本控制精度，对不同方法下厂房的成本贴近度以及质量贴近度进行验证，建筑成本贴近度与质量贴近度均高于其他两种方法，对比方法控制下的成本贴近度与质量贴近度波动幅度大，证明本文方法的控制精度较高、控制效果较好，同时文方法控制下所有厂房的贴近度相接近，说明本文方法可对所有厂房成本集中控制，均衡性较好。偏差方面，BP神经网络模型已具备通过特征向量预测目标向量的能力，即实现通过建筑总层数、檐高与建筑面积对其建筑工程费、装饰工程费、安装工程费进行预测，且针对具体的项目案例，将偏差控制在合理的幅度范围内，这样的预测同时能给富有经验的造价人员提供参考，让投资估算的编制工作更有效率。
结束语
本文提出了一种基于改进型BP神经网络的MMAC方法，用于解决非线性系统参数未知导致的系统抖振、跟踪效果不佳问题。该方法通过对系统线性部分和非线性部分分别设计了鲁棒控制器和改进的BP神经网络控制器，利用切换准则实现多模型控制器的切换，并对控制信号的稳定性进行了证明。最后，通过仿真的仿真结果表明，所提方法能有效提高系统暂态性能、减小跟踪误差以及削弱控制信号振荡。
参考文献
[1]赵丽,吴彬,施戈亮.人工神经网络在建筑工程施工质量评价中的应用研究[J].四川水泥,2020(08):123-124.
[2]王付宇,张圣全,李琰.BAS-BP神经网络模型在装配式建筑投资估算中的应用[J].安徽工业大学学报(自然科学版),2019,36(04):382-387.
[3]李地红,高群,夏娴,张景卫,于海洋,王艳君,代函函,许国栋.基于BP神经网络的混凝土综合性能预测[J].材料导报,2019,33(S2):317-320.
[4]张文宇,刘畅,贺珍.基于改进模糊神经网络的公共建筑节能改造费用估算研究[J].计算机与数字工程,2019,47(10):2517-2523.
[5]刘洋,申玲,陈东.基于GA-BP的建筑施工安全实时预警模型[J].土木工程与管理学报,2019,36(02):167-172+185.