陈万松
445102197XXXX4191X
摘要：介绍了BP神经网络的网络结构以及学习过程，并对BP神经网络在工程造价预测方面的应用进行了研究。
关键词：BP神经网络；网络结构；工程造价
人工神经网络具有广泛的适用性。由于工程投资估算中影响工程造价的因素众多，工程投资与这些因素之间表现出一种高度非线性的映射关系，因此有些学者和工程人员尝试利用BP（BackPropagation）神经网络对工程造价的估算进行研究，利用BP神经网络可以精确的描述复杂非线性对象建模、计算或推理，试验发现采用BP神经网络可以获取影响工程造价的不确定因素和工程造价之间的内在非线性关系，从而实现对拟建工程项目的投资进行估算，以达到简化估算程序、提高估算准确率的目的。
1.BP神经网络
前向三层BP网络是人工神经网络中最为重要的网络之一，也是迄今为止，应用最为广泛的网络算法，实践证明这种基于误差反传递算法的BP网络有很强的映射能力，最适合用于模拟输入、输出的近似关系，可以解决许多实际问题[1]。因此在神经网络被引入工程项目研究起，BP神经网络工程估计模型就得到了广泛的关注。
BP算法通过误差函数最小化来完成输入到输出的一种高度非线性映射，映射中保持拓扑不变性，训练过程可分为两个过程:
（1）输入的信息流从输入层，经隐含层到输出层逐层处理并计算出各神经元节点的实际输出值，这一过程称为信息流的正向传递过程。在正向传播过程中样本信号经过Sigmoid函数作用逐层向前传播，每一层神经元的状态只影响到下一层神经元的状态。
（2）计算网络的实际输出与训练样本期望值的误差，若该误差未达到允许值，根据此误差确定权重的调整量，从后往前逐层修改各层神经元节点的连接权重，这一过程称为误差的逆向修改过程。
两个过程完成了一次学习迭代。这种信息的正向传递与根据误差的逆向修改网络权重的过程，是在不断迭代中重复进行的，直到网络的输出误差逐渐减小到允许的精度，或达到预定的学习次数[2]。同时需要确定的参数有期望误差（Err-goal）、最大循环次数（Max-epoch）、学习速率、网络的层数、各层的神经元数以及其相应的激活函数等。
尽管BP算法的程序看起来复杂，在实际应用BP网络进行工程估价的过程中，却只需要做好以下两方面的工作:一方面，分析人员首先要进行输入变量的选择工作，具体对电力工程而言，“输入变量的选择”是指根据电力工程的自身特点，选取合适的“成本元素”，以全面的对工程的造价进行估计;另一方面，要对模型自身的传递函数、训练函数和系统参数加以确定，也就是财务预警模型的具体构建工作。
2.神经网络在造价估算工程中的优势
采用BP神经网络进行工程造价估算，主要是因其具有结构简单、工作状态稳定、易于实现；具有分布储存和容错性特点，可以处理与训练集中相同的数据，同时可以处理不完整的数据；神经网络的信息处理时大规模高度并行的，大量的独立运算可以同时进行；神经网络作为一个高度非线性系统，能够获取系统中复杂输入变量的相互关系，从而可以快捷、准确的处理工程造价估算这类多因素、非线性的问题[3]。可见如果我们利用BP神经网络建立建筑物的工程特征与工程量或造价之间存在的映射关系，且在应用中对神经网络进行专门问题的样本训练，就能够将此类特征反映在神经元之间，如果将实际问题的特征参数输入后，神经网络输出端就能够快速、准确的进行工程造价的估算。
3.BP神经网络在工程造价预测中应用
工程造价预测是一个十分复杂的模式识别问题，特别是预测中存在广泛的非线性问题，这增加了模式识别的复杂性。BP神经网络由于其本身信息处理的特点，使其能够出色解决那些传统识别方法难以解决的问题，近年来工程领域的仿真预测成为神经网络的重要应用领域之一。
对于一般的神经网络预测，诊断工作可以分为测前工作与测后工作两部分工作。测前工作，根据经验在一定的条件下，将常见的各种费用超支情况及正常情况所对应的理论值用实验或理论计算求出。并以此作为BP神经网络的样本及样本期望，输入特定的BP神经网络，进行神经网络训练，实际预测时，在同样的条件下，将实际数据经处理后输入特定的BP神经网络。其输出即是对应的预测值[4]。神经网络具有推论联想的能力，具有很强的泛化能力，不仅能识别已经训练过的样本，而且能通过推论联想识别为出现过的样本。综上所述，用BP神经网络进行公路工程造价预测，步骤可以总结为：建模、参数选定、预测模型结构确定。
3.1神经网络建模步骤
在实际应用中，面对一个具体的问题，首先需要分析利用神经网络求解问题的性质，然后依据问题特点，确立网络模型。最后通过对网络进行训练、仿真等，检验网络的性能是否满足要求。主要步骤包括：确定信息表达式、网络模型的确定、网络参数的选择、训练模式的确定、网络测试。
3.2模型参数的确定
3.2.1实际完成金额
公路工程造价的发展具有连续性，其数量特征呈相对稳定，或者与其他经济现象之间的相互联系具有相对稳定的模式，因而有可能对其发展过程加以模拟，利用实际完成金额等历史资料比较准确地推断其将来。
3.2.2主要材料价格
由于公路工程涉及工程材料种类多，工程施工经历时间跨度大，期间材料价格波动影响因素较多，要综合考虑这些因素进行预测往往要大量的基础资料。
3.2.3天气状况
由于公路项目施工主要是在野外作业，所以受天气影响比较大，所以天气状况也是影响工程造价的一个因素。
3.2.4进场主要施工机械设备数量
设备材料费，是工程造价的主要组成部分。因此，施工设备投入数量，是影响工程造价增减的重要动态因素。
3.3神经网络集成的实现
神经网络集成是指用有限个神经网络对同一个问题进行学习，集成在某输入示例下的输出共同决定，使用这种方法时，可以简单地通过训练多个神经网络并将其结果进行合成，提高学习系统的泛化能力。神经网络的集成实现主要体现在两个方面：怎样将多个神经网络的输出结论进行组合和如何生成集成中的网络个体。常用的方法为：结论生成方法，根据各个体网络的输出得出神经网络集成的输出时影响结论正确性的关键，宜采用简单平均作为集成的输出；个体生成方法，采用Bagging方法生成网络集成个体，先从原始训练集中随机选取若干示例组成训练集，以这些训练集训练不同的网络，各训练好的网络个体组成了神经网络集成的个体[5]。这种选取方式导致原始训练集中某些示例可能在新的训练集中出现多次，而有些示例则可能一次也选不上，这增加了神经网络的差异度，从而极大的提高了泛化能力。
4.总结
通过大量试验研究发现，神经网络在工程造价估算中的应用是能满足要求的，只有在估算中充分利用神经网络这个“特征提取器”，统计有关特征参数的数据信息，通过神经网络的高度非线性映射，可以快速、准确的处理数据，满足工程造价估算的要求。
参考文献：
[1]韩力群.人工神经网络理论、设计及应用.北京:化学工业出版社，2016，1（1）:303-304.
[2]胡伍生.神经网络理论及其工程应用.北京:测绘出版社，2017，2（3）:222-223.
[3]沈荣球.我国工程造价管理中的存在问题及分析[J]四川建材，2077，8（04）:156-158.
[4]颜彦.信息技术在工程造价管理中的应用及发展[J]有色冶金设计与研究，2016，1（03）:269-270.
[5]孙景飞.浅谈工程项目施工过程中成本管理的信息化[J]科技资讯，2015，4（32）:123-125.