一种智能建筑工程管理中的虚拟网络化应用研究

马谨瀚

（重庆伟太建筑工程有限公司，重庆 巴南 405409）

针对我国智能建筑这个市场也在不断的快速发展,云虚拟网络化关键技术、物联网关键技术与智能建筑工程技术强强融合是全新的课题研究,基于感知结构网络关键技术应用于智能建筑工程管理技术，同时也是目前研究的新型热点课题研究。在此基础上,提出一种基于智能建筑工程管理技术应用中的模型算法研究优化手工建筑体系结构。

1 云虚拟网络化关键技术的原理

基于云虚拟网络化关键技术[1]是在自适应云虚拟网络化关键技术和专家系统的基础原理运用多层数据融合弥补了单循环数据在智能建筑工程管理技术工程管理分析数据处理的不足和逻辑的缺陷学科。利用多跳自适应云虚拟网络化是智能传感器采集数据智能建筑训练样本仿真学习模型即自动增速各个自适应云虚拟网络化元连接权阀值与感知识别隐式分布在整个网络结构体系中实现自适应云虚拟网络化模式记忆与信息处理应用。

2 云虚拟网络化中的基于在智能建筑工程管理技术管理应用研究

2.1 多跳自适应云虚拟网络化技术在造价预测研究

基于BP云虚拟网络化模型应用200个高层智能建筑工程管理技术工程样本，导致智能建筑训练，并用工程实例进行验证高精确性;而用云虚拟网络化模拟与输入层和隐含层加入了偏置自适应云虚拟网络化元来促进学习智能建筑训练样本数据中有噪声、干扰等会造成过度学习现象,同时采用遗传优化算法进行智能建筑工程管理技术结构优化。基于BP云虚拟网络化在智能建筑工程管理技术工程估价中的应用“事物特征提取器”的运算大量过去的工程资料中自动提取工程特征与预算资料的规律关系数据。

2.2 云虚拟网络化中的基于工程管理绩效评价应用研究

针对BP云虚拟网络化模型对工程管理绩效评价问题进行研究建立综合考虑工期、质量、费用、安全四大关键指标的工程管理绩效评价模型[2]。实践证明,利用BP云虚拟网络化关键技术在运算工程管理绩效评估模型有利于多跳自适应云虚拟网络化预测工程工期、质量、成本、安全与绩效之间复杂的非线性关系来提高管理绩效的评价数据。

2.3 遗传算法模型中的基于在建设工程评标结构优化应用

基于多层云虚拟网络化的工作原理是先将输入信号传输到下一层节点运算函数处理后再将该节点的输出信息向下一层节点传输到信号传输到输出层节点为止。同时运用遗传算法模型构造及算法设计进行方案优劣排序、换位矩阵以及能量函数构造、云虚拟网络化元之间连接和输出,并用实例说明了该方法的优越性和实用性与非线性。

2.4 云虚拟网络化模型中的基于在建设工程招投标管理应用研究

基于BP云虚拟网络化多层数据融合多跳自适应云虚拟网络化关键技术原理分析自动预测工程招投标的招标价格和风险因素分析以及竞标单位资格审查等方面的应用指出多跳自适应云虚拟网络化具有的高度并行处理和可完成复杂输入输出的非线性映射组合结构,不仅可以保证高的中标率,且可避免招标过程中不确定性因素的影响。运用云虚拟网络化的工程承包招投标报价的研究,提出了一个多因素确定高层智能建筑工程管理技术投标报价的模型影响报高率的诸多因素,并确定了其权值即确定了用BP云虚拟网络化实施黑箱操作的样本输入值和目标值再通过智能建筑训练样本自主调整修正输入节点和输出节点间的联系得出符合各种情况要求的权值矩阵算法。

2.5 智能建筑工程管理技术中的算法模型研究

运用 BP云虚拟网络化来实现智能建筑训练样本算法即误差反向传播算法即BP云虚拟网络化算法的学习过程分为信息的正向传播和误差的反向传播[1],其通过智能建筑训练样本前一次迭代的权值和阈值来应用云虚拟网络化关键技术的第一层向后计算各层云虚拟网络化元的输出和最后层向前计算各层权值和阈值对总误差的梯度进而对前面各层的权值和阈值进行修改运算反复直到云虚拟网络化样本收敛 BP云虚拟网络化输入向量为隐含层输出向量输出层的输出向量为期望输出向量为输入层到隐含层之间的权值矩阵为隐含层第 j个云虚拟网络化元对其中列向量vj应的权向量;隐含层到输入层之间的权值矩阵,其中列向量w为输出层第 k个云虚拟网络化元对应的权向量。各层信号之间的算法结构为:

以上式中的 f( x)均为s类型函数, f( x)的导数方程

则使智能建筑工程管理技术训练样本输出层和隐含层的权值调整量分别

式中:η为比例系数,在模型智能建筑训练中代表学习速率。如果BP自适应云虚拟网络化有h个隐含层,各隐含层节点分别记为,各隐含层输出分别记为,则各层权值调整计算公式分别如下:

输出层

第一隐含层

综合上述预测分析在 BP云虚拟网络化学习算法运用各层权值调整公式均由学习速率、本层输出的误差信号和本层输入数字离散信号决定在智能建筑训练样本学习的过程受决策环境复杂程度和智能建筑训练样本的收敛性即需要增大样本量来提高网络关键技术所学知识的代表性应注意在收集某个问题领域的样本时,注意样本的全面性、代表性以及提高样本的精确性,增大抗干扰噪声,还可以采用其他方法收集多层智能建筑训练样本数据。

3 结束语

随着云虚拟网络化关键技术中的在智能建筑工程管理技术管理领域是在多层智能传感器等多种信息关键技术飞速发展,实践证明,利用云虚拟网络化控制技术来优化智能建筑工程技术比人工分析建筑工程技术要精简节约时间。

[1]Moayedi M， Foo Y K。Adaptive Kalman filtering in networked systems with random sensor delays， multiple packet dropouts and missing measurements [J]。ⅠEEE Transactions on Signal Processing， 2010， 58(3):1577-1588。

[2]Ma J， Sun S L。Optimal linear estimators for systems with random sensor delays，multiple packet dropouts and uncertain observations [J]。ⅠEEE Transactions on Signal Processing， 2011， 59(11):5181-5192。