学位论文 > 优秀研究生学位论文题录展示

基于粗集—小波神经网络的建筑工程成本预测方法研究

作　者: 马利华
导　师: 李万庆；孟文清
学　校: 河北工程大学
专　业: 管理科学与工程
关键词: 建筑工程工程成本粗集小波分析小波神经网络
分类号: F224
类　型: 硕士论文
年　份: 2007年
下　载: 353次
引　用: 2次
阅　读: 论文下载

内容摘要

快速准确地进行成本预测,对于工程项目的管理实践具有重大的理论意义和现实意义。结合我国目前建筑工程成本预测的现状,本文采用粗集、未确知测度、小波分析和神经网络这些数学方法构成智能预测系统,研究解决长期以来困扰建筑企业的成本预测效率不高这一难题。首先,本文详细介绍了小波分析的理论与方法。分析了小波神经网络的特征和优点。详细分析了小波神经网络的学习规则和训练过程。小波神经网络即具有一般神经网络适应性强的优点,又克服了学习速度慢和预测精度不高的缺点。文中利用小波神经网络构成智能预测系统的主框架,并将该系统运用在成本预测领域。其次,影响工程成本的因素有很多,如果都作为神经网络的输入节点,则增加了神经网络的训练难度,而且这些因素在一定程度上是相互关联的,甚至有些因素是冗余的。利用粗集属性约简约简掉一些冗余属性,使得神经网络的输入节点得以减少,减小了小波神经网络结构的复杂性,提高了容错和抗干扰能力,在不影响训练精度的前提下,简化了网络的训练。将收集到的影响工程成本因素利用粗集进行约简,利用约简后的因素作为神经网络的输入节点来训练网络。结果证明粗集-小波神经网络这一智能预测系统可以快速、准确地进行成本预测。

全文目录

摘要  5-6
Abstract  6-10
第1章绪论  10-19
  1.1 选题背景及意义  10-11
  1.2 工程成本预测概述  11-14
    1.2.1 工程成本的含义  11-12
    1.2.2 项目工程成本预测的作用  12-13
    1.2.3 项目成本预测方法  13-14
  1.3 国内外研究现状  14-16
    1.3.1 国外研究现状  14
    1.3.2 国内研究现状  14-15
    1.3.3 存在的问题  15-16
  1.4 小波神经网络的研究现状与发展历史  16-17
    1.4.1 最早的小波神经网络基本模型  16-17
    1.4.2 国内的研究现状  17
  1.5 应用前景  17-18
  1.6 技术路线  18
  1.7 本文主要研究内容  18-19
第2章小波分析及其分解重构算法的实现  19-27
  2.1 小波函数  19-22
    2.1.1 小波函数的定义  19-20
    2.1.2 给出几种小波函数  20-21
    2.1.3 小波函数的多分辨分析  21
    2.1.4 小波函数的构造  21-22
      2.1.4.1 小波函数的构造原理  22
      2.1.4.2 小波函数的构造实例  22
  2.2 小波变换的定义及性质  22-23
    2.2.1 小波变换的定义  22
    2.2.2 小波变换的性质  22-23
  2.3 小波分析的Mallat 算法  23-24
  2.4 分解与重构算法的实现  24-26
    2.4.1 分解与重构算法的初始化  24-25
    2.4.2 分解与重构算法的迭代  25
    2.4.3 分解与重构算法的终止  25-26
  2.5 本章小结  26-27
第3章人工神经网络与小波神经网络  27-44
  3.1 人工神经网络概述  27-34
    3.1.1 人工神经网络的发展  27-28
    3.1.2 人工神经网络模型  28-34
      3.1.2.1 激活转移函数  29-32
      3.1.2.2 神经网络的学习  32
      3.1.2.3 神经网络的学习规则  32-34
  3.2 小波神经网络  34-40
    3.2.1 小波神经网络的产生与发展  34-35
    3.2.2 小波分析与人工神经网络的耦合关系  35-37
    3.2.3 小波神经网络的特征  37-38
    3.2.4 小波神经网络与其他神经网络的比较  38-39
    3.2.5 小波神经网络在实际中的应用  39-40
  3.3 小波神经网络的训练方法  40-43
    3.3.1 连续小波神经网络的训练方法  40-41
    3.3.2 隐含层节点数的选择  41
    3.3.3 连续小波权值初始化  41-43
  3.4 小波神经网络学习规则流程  43
  3.5 本章小结  43-44
第4章粗集的属性约简算法及其应用  44-52
  4.1 粗集理论的基本内容  44-47
    4.1.1 知识与知识库  44-45
    4.1.2 粗集的基本概念  45-46
    4.1.3 知识表达系统  46-47
  4.2 粗集的约简算法  47-48
  4.3 粗集约简算法的应用研究与实例分析  48-51
    4.3.1 条件属性集和决策属性集  48
    4.3.2 属性的离散化和知识库的建立  48-49
    4.3.3 属性约简  49-50
    4.3.4 属性值约简  50
    4.3.5 结果分析  50-51
  4.4 本章小结  51-52
第5章基于RS-WNN 的工程成本预测系统及其实现  52-73
  5.1 RS-WNN 系统概述  52-53
  5.2 建筑工程成本因素分析及数据采集  53-63
    5.2.1 门窗类型  53-54
    5.2.2 基础类别  54
    5.2.3 地基类别  54
    5.2.4 楼梯结构形式  54
    5.2.5 建筑用途  54
    5.2.6 结构类型  54-55
    5.2.7 项目管理水平  55-60
      5.2.7.1 未确知测度模型  55-57
      5.2.7.2 项目管理水平测评实例  57-60
    5.2.8 现场条件  60-63
  5.3 数据的离散化  63-65
  5.4 网络训练准备  65-68
    5.4.1 数据的预处理  65-67
    5.4.2 小波神经网络的结构和参数选取  67-68
  5.5 网络的训练和预测评估结果  68-70
  5.6 本系统的优越性  70-72
  5.7 本系统的不足之处  72
  5.8 本章小结  72-73
结论与展望  73-74
参考文献  74-77
附录1  77-81
附录2  81-83
致谢  83-84
作者简介  84
论文和参加科研情况说明  84

基于粗集—小波神经网络的建筑工程成本预测方法研究

内容摘要

全文目录

相似论文