張敏

摘 要： 基于Bayes判別理論的施工質(zhì)量評(píng)價(jià)方法存在施工質(zhì)量評(píng)價(jià)精度低、無法直觀描述施工質(zhì)量的優(yōu)劣情況等弊端，因此，提出基于BP神經(jīng)網(wǎng)絡(luò)的建筑施工質(zhì)量評(píng)價(jià)方法，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，基于該結(jié)構(gòu)對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行推導(dǎo)，得到總量誤差。為了避免總量誤差出現(xiàn)反向擴(kuò)散產(chǎn)生運(yùn)算精度降低的問題，在BP神經(jīng)網(wǎng)絡(luò)的算法推導(dǎo)過程中采用誤差函數(shù)梯度下降法，對(duì)神經(jīng)元實(shí)施突出權(quán)值修正，主要修正隱含層[J]與輸出層[M]權(quán)值以及輸出層[I]與隱含層[J]的權(quán)值，對(duì)神經(jīng)元權(quán)值進(jìn)行修改時(shí)考慮到誤差曲面的變化影響，提高BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算精度。采用修正后的BP神經(jīng)網(wǎng)絡(luò)算法對(duì)某建筑施工質(zhì)量進(jìn)行實(shí)際評(píng)價(jià)，得出的評(píng)價(jià)結(jié)果與預(yù)期結(jié)果相符，可實(shí)現(xiàn)對(duì)建筑施工質(zhì)量的評(píng)價(jià)。實(shí)驗(yàn)結(jié)果說明，所提方法可以提高建筑施工質(zhì)量評(píng)價(jià)精度，能準(zhǔn)確、直觀地反映施工質(zhì)量的優(yōu)劣，評(píng)價(jià)效果佳。

關(guān)鍵詞： 建筑施工； 質(zhì)量評(píng)價(jià)； BP神經(jīng)網(wǎng)絡(luò)； 梯度下降； 施工質(zhì)量； 神經(jīng)元權(quán)值

中圖分類號(hào)： TN711?34； TU755 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）17?0173?05

Abstract： The traditional construction quality evaluation method based on Bayes discriminant theory has the defect of low construction quality evaluation accuracy， and can′t describe the construction quality intuitively. Therefore， a construction quality evaluation method based on BP neural network is put forward. The structure of BP neural network is designed. And on this basis， the BP neural network algorithm is deduced to get the total error， so as to void the reduction of calculation accuracy caused by back diffusion of total error. The error function gradient descent method is adopted in the algorithm derivation process of BP neural network to correct the special weight of neuron. The weights between the output hidden layer J and layer M， and output layer I and hidden layer J are corrected mainly. The influence of error curve variation is considered in the correction process of neuron weight to improve the calculation accuracy of BP neural network. The corrected BP neural network algorithm is used to evaluate the construction quality of a certain building， and its evaluation results are consistent with the expected results， which can be used to evaluate the construction quality. The experimental results show that the proposed method can improve the evaluation accuracy of building construction quality， reflect the construction quality accurately and intuitively， and has perfect evaluation effect.

Keywords： building construction； quality evaluation； BP neural network； gradient descent； construction quality； neuron weight

0 引 言

隨著社會(huì)經(jīng)濟(jì)建設(shè)的不斷壯大，建筑行業(yè)快速發(fā)展。建筑施工質(zhì)量直接關(guān)系到人們的生命財(cái)產(chǎn)安全，也關(guān)系到建筑企業(yè)的長(zhǎng)遠(yuǎn)發(fā)展，致使人們對(duì)建筑施工質(zhì)量的關(guān)注度也越來越高[1]。加強(qiáng)建筑施工的質(zhì)量管理、提高施工質(zhì)量是建筑行業(yè)發(fā)展的基礎(chǔ)。傳統(tǒng)基于Bayes判別理論的施工質(zhì)量評(píng)價(jià)方法存在施工質(zhì)量評(píng)價(jià)精度低、無法直觀描述施工質(zhì)量的優(yōu)劣情況等弊端[2]。針對(duì)該種現(xiàn)象，本文提出基于神經(jīng)網(wǎng)絡(luò)的建筑施工質(zhì)量評(píng)價(jià)方法，提高施工質(zhì)量評(píng)價(jià)精度，增強(qiáng)建筑物的整體建設(shè)質(zhì)量，促使建筑企業(yè)能夠長(zhǎng)遠(yuǎn)發(fā)展。

1 基于BP神經(jīng)網(wǎng)絡(luò)的建筑施工質(zhì)量評(píng)價(jià)方法

1.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

由輸入層、輸出層和隱含層構(gòu)成的BP神經(jīng)網(wǎng)絡(luò)中的隱含層可以為一層或多層結(jié)構(gòu)，圖1為一般狀況下的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

1） 輸入層負(fù)責(zé)BP神經(jīng)網(wǎng)絡(luò)變量的輸入，輸入主要為神經(jīng)元，且神經(jīng)元的數(shù)量根據(jù)具體的實(shí)際問題而定，輸入變量通常為線性傳遞函數(shù)。

2） 隱含層為神經(jīng)元間的工作提供場(chǎng)所，其與外界環(huán)境無明顯關(guān)系[3]，但直接決定BP神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，隱含層對(duì)非線性函數(shù)進(jìn)行轉(zhuǎn)化。

3） 輸出層采用非線性轉(zhuǎn)化函數(shù)將神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果控制在固定范圍[4]，本文BP神經(jīng)網(wǎng)絡(luò)建筑施工質(zhì)量評(píng)價(jià)方法采用雙彎曲函數(shù)：

式（1）和式（2）表示BP神經(jīng)網(wǎng)絡(luò)輸出結(jié)果的范圍，該函數(shù)是一種連續(xù)的非遞減函數(shù)，其取值范圍在[0，1]和[-1，1]之間。

1.2 BP神經(jīng)網(wǎng)絡(luò)算法

標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)算法也稱最快下降BP算法，根據(jù)圖1中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行推導(dǎo)，推導(dǎo)過程如下：

本文BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中輸入層的神經(jīng)元有[I]個(gè)，其中任意一個(gè)神經(jīng)元用[i]表示；隱含層的神經(jīng)元有[J]個(gè)，其中任意神經(jīng)元用[j]表示；輸出層的神經(jīng)元有[M]個(gè)，且任意神經(jīng)元用[m]表示。輸入層中的神經(jīng)元[i]與隱含層中的神經(jīng)元[j]的突出權(quán)值用[Wij]表示；神經(jīng)元[j]輸出層[m]的突出權(quán)值用[Wjm]表示。

本文為使BP神經(jīng)網(wǎng)絡(luò)算法方便推理，對(duì)神經(jīng)元的激勵(lì)均采用Sigmoid函數(shù)。設(shè)置建筑施工數(shù)據(jù)樣本輸入集合是[Xk=X1，X2，…，XN]，神經(jīng)元輸入用[u]表示；對(duì)樣本集合中的某個(gè)樣本[Xk=xk1，xk2，…，xkNT]實(shí)施訓(xùn)練[5]，其中[k=1，2，…，N]，數(shù)據(jù)輸出為[Yk=yk1，yk2，…，ykNT]，激勵(lì)函數(shù)輸出用[v]表示；期望得到的建筑施工質(zhì)量評(píng)估結(jié)果為[dk=dk1，dk2，…，dkNT]。假設(shè)迭代次數(shù)為[n]，輸出結(jié)果是與[n]有關(guān)的函數(shù)。

通過對(duì)BP神經(jīng)網(wǎng)絡(luò)算法的推導(dǎo)，得到式（15）和式（22）的隱含層[J]與輸出層[M]權(quán)值修正結(jié)果和輸出層[I]與隱含層[J]的權(quán)值修正結(jié)果。

本文采用的BP神經(jīng)網(wǎng)絡(luò)算法為標(biāo)準(zhǔn)算法，利用梯度下降函數(shù)對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行控制，采用梯度下降法對(duì)梯度方向進(jìn)行調(diào)整，大大降低神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)發(fā)生的動(dòng)蕩概率，提高神經(jīng)網(wǎng)絡(luò)的收斂效率[9]，對(duì)建筑施工質(zhì)量評(píng)價(jià)的準(zhǔn)確度較高。本文方法在對(duì)神經(jīng)網(wǎng)絡(luò)權(quán)值進(jìn)行修改時(shí)還考慮到誤差曲面的變化影響，對(duì)施工質(zhì)量評(píng)價(jià)時(shí)評(píng)價(jià)角度也有所增加，因此本文采用修正后的BP神經(jīng)網(wǎng)絡(luò)對(duì)建筑施工質(zhì)量進(jìn)行評(píng)價(jià)。

1.3 基于神經(jīng)網(wǎng)絡(luò)的建筑施工質(zhì)量評(píng)價(jià)

本文采用上述修正的BP神經(jīng)網(wǎng)絡(luò)方法對(duì)某建筑公司收集的25個(gè)民用住宅進(jìn)行建筑工程質(zhì)量評(píng)價(jià)，[U]表示對(duì)建筑物進(jìn)行施工質(zhì)量評(píng)價(jià)的節(jié)點(diǎn)，表1為建筑中的混凝土質(zhì)量評(píng)價(jià)數(shù)據(jù)，設(shè)置BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)系數(shù)是[η=0.85]，采用本文方法經(jīng)過4 000次的計(jì)算，通過Borlan C++ 語言編程，得到該建筑公司混凝土質(zhì)量評(píng)估結(jié)果，如表2所示。為了便于數(shù)據(jù)處理，設(shè)置評(píng)估結(jié)果優(yōu)為1.1，良為0.9，中為0.7以下，從表2輸入、輸出對(duì)照結(jié)果可以看出，實(shí)際輸出結(jié)果與期望結(jié)果差別較小，說明本文BP神經(jīng)網(wǎng)絡(luò)具有較好的學(xué)習(xí)能力，對(duì)輸入數(shù)據(jù)的處理結(jié)果較準(zhǔn)確，可以進(jìn)行建筑施工質(zhì)量評(píng)價(jià)[10]。采用本文方法得出的建筑施工質(zhì)量評(píng)價(jià)結(jié)果與預(yù)期結(jié)果相符，說明本文方法對(duì)建筑施工質(zhì)量具有準(zhǔn)確的評(píng)估能力。

2 實(shí)驗(yàn)分析

2.1 施工質(zhì)量評(píng)價(jià)準(zhǔn)確性

實(shí)驗(yàn)采用本文方法對(duì)某建筑工程質(zhì)量進(jìn)行仿真評(píng)價(jià)，以驗(yàn)證本文算法對(duì)建筑施工質(zhì)量評(píng)價(jià)的準(zhǔn)確性。工程1和2均為同一個(gè)小區(qū)的工程，因此工程規(guī)模、建筑結(jié)構(gòu)和訓(xùn)練樣本大小情況一致，工程1得分0.1即為施工質(zhì)量合格，工程2施工質(zhì)量為優(yōu)時(shí)得分為0.5，實(shí)驗(yàn)收集工程1和工程2的相關(guān)數(shù)據(jù)如表3所示。

將從表3得到的歸一化的數(shù)據(jù)處理結(jié)果轉(zhuǎn)換為矩陣，并將矩陣輸入本文神經(jīng)網(wǎng)絡(luò)中，將工程1和工程2的處理結(jié)果保存為數(shù)據(jù)1和數(shù)據(jù)2，利用訓(xùn)練好的network1進(jìn)行實(shí)驗(yàn)仿真，仿真結(jié)果如圖2所示。

點(diǎn)擊仿真界面中的Simulate Network對(duì)工程1和工程2中的數(shù)據(jù)1和數(shù)據(jù)2進(jìn)行仿真，輸出結(jié)果保存為Network?outputs1和Network?outputs2，得到工程1和工程2的仿真結(jié)果。能夠看出，本文方法對(duì)工程1的評(píng)價(jià)仿真結(jié)果為[0.091 523]，與施工質(zhì)量標(biāo)準(zhǔn)0.1的差為[（0.1-0.091 523）0.1=]8.477%；本文方法對(duì)工程2仿真結(jié)果為0.482 643，與施工質(zhì)量標(biāo)準(zhǔn)0.5的差值為[（0.5-0.482 643）0.5=]3.471 4%。由仿真結(jié)果可知，本文方法對(duì)該建筑工程質(zhì)量實(shí)施評(píng)估的實(shí)驗(yàn)值與實(shí)際值相差較小，能夠滿足建筑施工的精度需求，且反映出該類型建筑的工程質(zhì)量規(guī)律。

2.2 施工質(zhì)量評(píng)價(jià)

實(shí)驗(yàn)采用本文方法以朝陽(yáng)雅園為例進(jìn)行各項(xiàng)部分施工質(zhì)量評(píng)價(jià)，表4為采用本文方法的施工質(zhì)量各項(xiàng)評(píng)分匯總結(jié)果。

從圖3可以清晰地得出，采用本文方法的各項(xiàng)建筑施工質(zhì)量評(píng)分結(jié)果均達(dá)到60分以上，說明采用本文方法能對(duì)建筑施工的各方面進(jìn)行有效評(píng)分。從圖4可以看出，采用本文方法得到的建筑施工綜合評(píng)價(jià)結(jié)果和一級(jí)指標(biāo)的評(píng)價(jià)結(jié)果均要高于預(yù)期的分?jǐn)?shù)，證明本文方法可以整體從不同方面對(duì)建筑進(jìn)行施工質(zhì)量評(píng)價(jià)，且評(píng)價(jià)效果也比較突出。采用BP神經(jīng)網(wǎng)絡(luò)對(duì)建筑施工質(zhì)量進(jìn)行評(píng)價(jià)，對(duì)建筑物不同層面進(jìn)行評(píng)價(jià)，能準(zhǔn)確、直觀地反映施工質(zhì)量的優(yōu)劣，有利于提高建筑工程整體的建設(shè)質(zhì)量。

3 結(jié) 論

本文設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)的建筑施工質(zhì)量評(píng)價(jià)方法能夠提高施工質(zhì)量評(píng)價(jià)精度，增強(qiáng)對(duì)建筑物的綜合質(zhì)量評(píng)價(jià)效果，實(shí)現(xiàn)高效率的建筑施工質(zhì)量評(píng)價(jià)。

參考文獻(xiàn)

[1] AKIMOTO T， SUENAGA Y， WALLACE R S. Automatic creation of 3D facial models [J]. IEEE computer graphics and applications， 1993， 13（5）： 16?22.

[2] YANG J， ZHANG D， FRANGI F. Two?dimensional PCA： a new approach to appearance?based face representation and recognition [J]. IEEE transactions on pattern analysis and machine intelligence， 2004， 26（1）： 131?137.

[3] HUMAN D R， PARENT R E. Obtaining complex behavior form simple rules [J]. The visual computer， 1998， 23（4）： 332?347.

[4] YAO J F S A. Texture mapping approach to 3?D facial image synthesis [J]. Computer graphics forum， 1988， 7（2）： 129?134.

[5] 王璇，薛瑞.基于BP神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別的算法[J].自動(dòng)化技術(shù)與應(yīng)用，2014，33（5）：5?10.

WANG Xuan， XUE Rui. The algorithm of handwritten digit recognition based on BP neural network [J]. Techniques of automation and applications， 2014， 33（5）： 5?10.

[7] YOU X， CAO X. Study of liquid lithium coolant interaction based on BP neural network optimized by genetic algorithm [J]. Journal of fusion energy， 2015， 34（4）： 918?924.

[8] 伍華麗，任心怡.基于模糊約束的數(shù)據(jù)庫(kù)特定數(shù)據(jù)挖掘算法[J].計(jì)算機(jī)仿真，2016，33（10）：240?243.

WU Huali， REN Xinyi. Specific data mining algorithm based on fuzzy constraint database [J]. Computer simulation， 2016， 33（10）： 240?243.

[9] 許金普.基于MMSE譜減算法的農(nóng)產(chǎn)品市場(chǎng)信息語音識(shí)別技術(shù)[J].河南農(nóng)業(yè)科學(xué)，2015，44（5）：156?160.

XU Jinpu. Speech recognition of agricultural market information based on MMSE spectral subtraction [J]. Journal of Henan agricultural sciences， 2015， 44（5）： 156?160.

[10] GLYDE H， BUCHHOLZ J M， NIELSEN L， et al. Effect of audibility on spatial release from speech?on?speech masking [J]. Journal of the Acoustical Society of America， 2015， 138（5）： 3311?3319.