基于RBF神经网络的工程成本控制研究

刘婷婷+李晨

【摘 要】目前我国经济处于高速发展时期，随着体制建设的不断健全与完善，各项经济技术指标不断攀升。其中建筑行业的发展势头强劲，全社会的固定资产投资逐步增大，但随之而来的问题也日渐凸显，其中投资失控严重化就是现阶段亟待解决的问题之一。因此合理控制建设项目投资成本显得尤为重要。在此背景下本文提出基于RBF神经网络的工程成本控制研究，将神经网络技术与工程成本控制有效结合，从而提高建设成本估算精度，更好的发挥建设工程的经济价值。

【关键词】工程成本；工程估算；估算方式；RBF算法

一、引言

在社会经济高速发展时期，投资管理的失控在固定资产投资不断积累的大前提下逐日显现。工程建设整个全生命周期中，前期阶段耗费建设成本少但影响程度极高，且一般建设企业对前期控制缺乏重视，导致工程成本的严重失控，故应将投资控制重心由施工阶段向前期投资决策阶段转移，但现阶段投资决策所采取的传统工程造价估算方式已不能适应市场经济发展的需要，如何快速且准确的确定投资估算，对建设项目投资控制来说意义重大。在此研究背景下本文提出基于R BF神经网络的工程成本控制研究，通过模拟人工智能建立一种新型估算成本模型，从而快速准确的得出成本估算，为投资决策者提供可靠的理论依据。

二、RBF神经网络理论

径向基（R adial Basic Function Neural—R BF）神经网络是二十世纪八十年代末由Darken和Moody两位科学家提出并建立的一种三层前馈神经网络。它是一种可以模拟人脑局部调整、相互覆盖接收域的网络拓扑结构，具有全局、最佳逼近性能的三层前馈网络（如图1 R BF神经网络拓扑结构模型）。R BF神经网络结构上含有隐含层神经元到输出层神经元的权值线性关系，其训练过程快速，不会发生局部最优问题，这些优点使得R BF神经网络具备良好的推广基础。大量研究结果表明：只要有足够的隐节点径向基函数，R BF神经网络能任意逼近多变量连续函数，是一种性能优良的神经网络。

三、基于RBF神经网络的造价估算方法

（一）问题描述

基于R BF神经网络的造价估算模型是在调查、搜集大量已建工程历史资料（数据）的基础上，通过数据分析列出影响工程成本估算的主要工程特征，之后利用德尔菲法对相关特征的重要程度进行排序。

选取目标特征应用R BF神经网络进行训练，神经网络训练完毕后，如果数据显示实验偏差在允许误差值内，则证明此模型有效，可作为造价估算的有效工具应用于待建工程进行造价估算。

（二）工程特征的选取

所谓工程特征是指能表征工程特点，且能反映工程主要成本构成的重要因素。工程特征的选取，应参照历史工程资料的统计和分析，并根据专家的经验确定。通过对典型住宅工程的成本组成及建筑结构参数变化对成本的影响进行分析，本文列出一些工程特征利用德尔菲法进行选取，确定将底层建筑面积、标准层面积、建筑层数、基础类型、柱的数量、电梯数量、房间数量七种主要因素作为工程特征，其中基础类型为定性因素，其余为定量因素。这些参数是样本案例中占主导地位的成本驱动因素，决定了建筑物形式上的特征和建筑物建筑结构材料的需用量。

将选取的特征因素加入神经网络算法，通过函数反复验证得出估算模型的具体参数，以此模型为基础，在以后的工程项目中选取相关因素的具体值便能得出相对较精准的工程造价估算成本。

（三）RBF神经网络的训练算法过程

R BF神经网络的训练过程包括隐含层神经元的训练和输出层神经元的训练两个步骤。

（1）隐含层神经元训练过程采用无监督式训练聚类算法。

本质上隐含层的神经元主要是对输入向量的局部进行分析，决定隐层神经元的重要参数是高斯型函数的宽度σj和中心Cj。当輸入信号与某一隐层神经元的中心Cj最接近时，神经元的输出最大。随着信号与中心距离的扩大，神经元的输出将会逐步减少。

完成聚类计算之后，便可以确定隐含层神经元的输出值，这种聚类算法是一种无监督式的训练方法。

（2）输出层神经元训练过程采用有监督式训练算法。

本质上，输出层的神经元主要是通常采用最小二乘法来监督训练。下面进行输出神经元的最小二乘法有监督训练步骤。

设神经网络的训练样本向量为{Xn，d（n）}，n=1，2？，N，假定输出层仅有一个神经元，其中Xn Rn为网络的输入数据矢量；N为训练样本数据量：d（n}Rn为网络的期望输出响应。

根据线性回归模型，网络的期望输出表达式为：

上述隐含层和输出层的计算表明，R BF神经网络学习过程完成时，神经网络网络输出的权值及隐含层的神经元个数可以同时确定。

（四）算例分析

收集北京城建公司已建的10栋住宅楼工程的实际数据进行处理后（见表1）作为输入数据和输出控制，其中1～6组为训练样本，7～10组为检验样本。训练次数最大设为5000次，网络目标误差0.001，运用Matlab中的神经网络工具箱建立模型。网络由全局误差趋向于极小值，并实现各层之间的连接，经过10次训练后，网络的目标误差达到要求，收敛速度较快。

从测试结果可以看出通过反复训练，测试样本的相对误差控制在5%以内，这表明R BF估算模型的泛化能力较好，此模型较为成功。出现个别数据误差较大，这说明网络对有些特征学习不够，其主要原因在于数据样本数量有限。但即便如此，与其他模型相比，相对误差较小，其结果还是较为理想的。随着样本的充实和数据的积累，误差将不断缩小，一定会得到更为理想的结果。上述结论说明R BF神经网络估算模型对于工程前期的估算工作是行之有效的。

四、结语

本文提供了一种在建筑设计前期阶段对结构系统进行投资估算的经济、快速方法。这种基于R BF神经网络的成本估算方法，可以根据具体的建筑项目对输入参数进行适当修改，运用于建筑工程的早期设计中，进行投资估算，对提高设计决策的准确性，提高项目和企业的竞争力都将会起到较大的推动作用。

（1.华北电力大学，北京 102206；2.中国人民公安大学，北京 100038）

参考文献：

[1]李大龙.基于RBF神经网络的政府公共建设项目投资估算方法研究[D].江西：江西理工大学硕士学位论文，2011.

[2]谭德精，杜晓玲.工程造价确定与控制[M].重庆：重庆大学出版社，2004.02.

[3]杨毅.基于人工神经网络的快速建筑工程估算方法的研究[D].重庆大硕士学位论文，2007.11.

[4]南方某公司2011-2013年配电网建设工程可研批复、初设及概算批复和决算审计金额对比分析报告[R]，2013：1-57.

[5]杨旭中.电力工程造价控制[M].北京：中国电力出版社，1999.

[6]张恒喜，郭基联，朱家元，虞健飞.小样本多元数据分析方法及应用[M].西安：西北工业大学出版社，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