基于BP网络的大型水电项目投资估算模型研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP网络的大型水电项目投资估算模型研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
The Cost Estimation Research for Large-sized Hydropower Project Based on the BP Neural Network
Yu Xiaowei； Du Zhida
（School of Civil & Hydraulic Engineering of Dalian University of Technology，Dalian 116024，China）
摘要： 本文综合分析了大型水电工程的主要特征，并将这些特征和它的工程造价联系起来，构建了基于bp神经网络的水电工程造价估算模型。在模型的实现上，利用MATLAB语言对模型进行了训练、仿真和测试，并用工程实例对模型进行了验证，结果表明该模型具有较好的泛化能力，能够较准确地估算工程造价。
Abstract: The main characteristics of large-sized hydropower project are analyzed, and these characteristics is connected with its engineering cost, based on BP neural network of hydropower project cost estimation model is constructed. In the model, MATLAB language is trained, simulated and tested to the realization of model，and engineering examples are validated the model. The results show that the model has better generalization abilities able to accurately estimate of the project cost.
关键词： 工程造价估算 BP神经网络 水电工程 模糊数学
Key words: cost estimation；BP neural network；hydropower project；fuzzy mathematics
中图分类号：F293.35 文献标识码：A文章编号：1006-4311（2011）15-0084-01
1模糊数学与神经网络结合[1][2]选取样本
本文在参考文献3的基础上搜集国内大型水电站资料，根据文献1模糊数学的方法对原始数据进行筛选，选出符合要求的三十个样本作为建立本文BP神经网络模型所要用的训练样本。
1.1 工程特征的选取通过对所搜集到的资料和相关数据的分析以及对专家的咨询，可以判断影响水电工程总工程造价的因索有：所在地、坝型、坝顶高程、坝长、地震基本烈度、地基状况、电站装机容量、水库总库容、引水道断面、年发电量、淹没耕地、移民、工程量。
1.2 水电工程造价估算模型工程特征的量化结果把非数值型工程特征所在地（1-华北2-东北3-华东4-中南5-西南6-西北）、坝型（1-混凝土双曲拱2-土质心墙堆石坝3-重力拱坝4-混凝土面板堆石坝5-土石坝）量化，并且对其进行处理，得到所有样本的工程特征量化结果。
2基于BP神经网络的造价估算模型的建立
2.1 BP神经网络模型BP神经网络包括输入层、输出层和隐层。建立一个BP神经网络模型，就是要确定其的输入层、输出层和隐层。根据G.Cybenyo等人的证明，具有一个隐层的三层BP神经网络，只要隐层的节点足够多，就能以任意精度逼近有界区域上的任意连续函数。本文建立一个带有一个隐层的三层BP神经网络模型来对工程造价进行预测。
2.2 确定参数输入层节点数由输入样本数据的特征数量决定，本文为十三个工程特征（如表1所示）；隐层节点数至今还没有成熟的确定方法，本文隐层节点数选6个；输出层节点数由样本的目标数据决定，本文输出层节点数只有一个为工程造价。
2.3 确定节点转换函数BP神经网络模型中的激活函数通常取可微的单调递增函数，MATLAB6.5工具箱提供了3种传递函数Log-sigmoid.Lan-sigmoid和线性函数。本文为隐层所有节点选择Lan-sigmoid作为转换函数，而输出层采用线性函数。
2.4 BP网络的训练与测试[4]训练的次数越多，其精度越高，则神经网络对训练样本的拟合就越好。但如果训练精度过高的话，就会出现训练过度，此时虽然对输入数据拟合得很好，但是模型的泛化能力并不好。本文选择训练目标为0.001。样本数据一部分用来训练网络，另一部分用来测试网络的训练效果。因为本文所研究的造价估算是在可行性研究阶段进行的，误差应满足该阶段的精度要求（
3基于BP神经网络的水电工程造价估算模型的实现
对于上面确定的BP网络，利用表1中的前29组数据对网络进行训练，训练后的网络才有可能满足实际应用的要求。网络训练代码如下：
net.trainParam.epochs=20000；
net.trainParam.goal=0.001；
[net,tr]=train（net，P，T）；
可见经过16000次训练后达到要求，如图1所示。
网络训练结束后，利用Sim函数可以对训练后的网络进行仿真和测试。网络仿真和测试的代码如下：
Temp=sim（net，Pes test）；
my_error=T test-Temp；
Perf=mse（my error）。
利用模型得到的工程造价与实际值非常接近，远小于士20%的误差。
4结果分析
结果表明，基于BP神经网络的估价模型极大地提高了速度，做到了让投资单位对于整个项目总投资心中有数。运用此模型进行工程造价的估算，估测精度在87％左右。鉴于我们将要估价的工程是可研阶段，工程细部信息不完整，特征较模糊，因此这样的评估精度是比较令人满意的，用BP神经网络估算水电工程造价是有效可行的。但是由于输入样本数据对模型效果起着至关重要的作用，所以用BP神经网络估算水电工程造价还可以在深入规范样本数据和训练过程的基础上提高其准确度。
参考文献：
[1]赵欣.基于BP神经网络的地铁土建工程造价估算方法研究[D].北京.北京交通大学.2007.
[2]姜德华，强茂山，周尚洁.模糊数学在水电工程造价估算中的应用.北京.水力发电学报，2000（2）.
[3]水利部，能源部，水利水电规划设计总院.三十个大型水电站.辽宁省北镇县印刷出版社，1989.10.
[4]许东，吴铮.基于MATLAB6.X的系统分析与设计―神经网络.西安西安电子科技大学出版社，2002.