劉婷婷+李晨

【摘 要】目前我國經濟處于高速發(fā)展時期，隨著體制建設的不斷健全與完善，各項經濟技術指標不斷攀升。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神經網絡的工程成本控制研究，將神經網絡技術與工程成本控制有效結合，從而提高建設成本估算精度，更好的發(fā)揮建設工程的經濟價值。

【關鍵詞】工程成本；工程估算；估算方式；RBF算法

一、引言

在社會經濟高速發(fā)展時期，投資管理的失控在固定資產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神經網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神經網絡理論

徑向基（R adial Basic Function Neural—R BF）神經網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網絡。它是一種可以模擬人腦局部調整、相互覆蓋接收域的網絡拓撲結構，具有全局、最佳逼近性能的三層前饋網絡（如圖1 R BF神經網絡拓撲結構模型）。R BF神經網絡結構上含有隱含層神經元到輸出層神經元的權值線性關系，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神經網絡具備良好的推廣基礎。大量研究結果表明：只要有足夠的隱節(jié)點徑向基函數(shù)，R BF神經網絡能任意逼近多變量連續(xù)函數(shù)，是一種性能優(yōu)良的神經網絡。

三、基于RBF神經網絡的造價估算方法

（一）問題描述

基于R BF神經網絡的造價估算模型是在調查、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特征的重要程度進行排序。

選取目標特征應用R BF神經網絡進行訓練，神經網絡訓練完畢后，如果數(shù)據(jù)顯示實驗偏差在允許誤差值內，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)專家的經驗確定。通過對典型住宅工程的成本組成及建筑結構參數(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動因素，決定了建筑物形式上的特征和建筑物建筑結構材料的需用量。

將選取的特征因素加入神經網絡算法，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神經網絡的訓練算法過程

R BF神經網絡的訓練過程包括隱含層神經元的訓練和輸出層神經元的訓練兩個步驟。

（1）隱含層神經元訓練過程采用無監(jiān)督式訓練聚類算法。

本質上隱含層的神經元主要是對輸入向量的局部進行分析，決定隱層神經元的重要參數(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元的中心Cj最接近時，神經元的輸出最大。隨著信號與中心距離的擴大，神經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）輸出層神經元訓練過程采用有監(jiān)督式訓練算法。

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

設神經網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元，其中Xn Rn為網絡的輸入數(shù)據(jù)矢量；N為訓練樣本數(shù)據(jù)量：d（n}Rn為網絡的期望輸出響應。

根據(jù)線性回歸模型，網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神經網絡學習過程完成時，神經網絡網絡輸出的權值及隱含層的神經元個數(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，網絡目標誤差0.001，運用Matlab中的神經網絡工具箱建立模型。網絡由全局誤差趨向于極小值，并實現(xiàn)各層之間的連接，經過10次訓練后，網絡的目標誤差達到要求，收斂速度較快。

從測試結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，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果。上述結論說明R BF神經網絡估算模型對于工程前期的估算工作是行之有效的。

四、結語

本文提供了一種在建筑設計前期階段對結構系統(tǒng)進行投資估算的經濟、快速方法。這種基于R BF神經網絡的成本估算方法，可以根據(jù)具體的建筑項目對輸入參數(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神經網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.基于人工神經網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