模糊神经网络关键技术中的基于智能建筑工程关键技术应用研究

模糊神经网络关键技术中的基于智能建筑工程关键技术应用研究

杨丽

杨丽

（重庆机电职业关键技术学院建筑工程系09级建筑工程管理，重庆402760）

中图分类号：U672文献标识码：A文章编号：1003-2738（2011）09-0000-02

摘要:随着社会市场经济与智能建筑工程技术的不断发展,模糊神经网络关键技术中的基于智能建筑工程关键技术工程关键技术管理中的工程造价预测与处理、工程质量管理绩效评估与处理、工程招投标预测与处理等综合应用及自组织模糊神经网关键技术络弥补了模糊神经网络在智能建筑工程关键技术工程管理多层数据融合处理分析.在智能建筑建设工程造价也在快速发展.如何加强对建筑建设工程造价进行有效管理与合理确定和控制建筑建设工程造价,已成为当今智能建筑工程系统技术重要课题研究.

关键词:自组织模糊神经网络；智能建筑工程关键技术管理；BP模糊神经网络

引言

随着智能建筑这个市场也在不断的快速发展,模糊神经网络关键技术、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,基于无线传感器网络关键技术应用于智能建筑工程关键技术同时也是目前研究的新型热点课题研究。因此,提出模糊神经网络关键技术中的基于智能建筑工程关键技术应用中的模型算法研究优化用手工建筑体系结构。

一、模糊神经网络关键技术的原理

基于模糊神经网络关键技术[1]是在自组织模糊神经网络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关键技术工程管理分析数据处理的不足和逻辑的缺陷学科.利用多跳自组织模糊神经网络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组织模糊神经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组织模糊神经网络模式记忆与信息处理应用.

二、模糊神经网络中的基于在智能建筑工程关键技术管理应用研究

1.多跳自组织模糊神经网络技术在造价预测研究。

基于BP模糊神经模型应用100个高层智能建筑工程关键技术工程样本智能建筑训练并用工程实例进行验证高精确性；而用模糊神经网络模拟与输入层和隐含层加入了偏置自组织模糊神经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建筑工程关键技术结构优化.基于BP模糊神经在智能建筑工程关键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.模糊神经网络中的基于工程管理绩效评价应用研究。

运用BP模糊神经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模糊神经网络关键技术在运算工程管理绩效评估模型有利于多跳自组织模糊神经网络预测工程工期、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.

3.遗传算法模型中的基于在建设工程评标结构优化应用。

基于多层模糊神经网络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、模糊神经元之间连接和输出,并用实例说明了该方法的优越性和实用性与非线性.

4.BP模糊神经网络模型中的基于在建设工程招投标管理应用研究。

基于BP模糊神经网络多层数据融合多跳自组织模糊神经网络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组织模糊神经网络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.运用模糊神经网络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关键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模糊神经网络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.

5.智能建筑工程关键技术中的算法模型研究。

运用BP模糊神经网络来实现智能建筑训练样本算法即误差反向传播算法即BP模糊神经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模糊神经网络关键技术的第一层向后计算各层模糊神经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模糊神经网络样本收敛BP模糊神经网络输入向量为

X=()T;隐含层输出向量为Y=()T;输出层的输出向量为O=)T;期望输出向量为;输入层到隐含层之间的权值矩阵,其中列向量为隐含层第j个模糊神经元对应的权向量;隐含层到输入层之间的权值矩阵,其中列向量为输出层第k个模糊神经元对应的权向量.各层信号之间的算法结构为:

综合上述预测分析在BP模糊神经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.

三、结束语

随着模糊神经网络关键技术中的在智能建筑工程关键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,利用模糊神经网络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.

参考文献:

[1]周小佳.电力系统可靠性模糊神经网络模型及实现研究[D].博士学位论文,1997.

[2]胡保清等.模糊神经网络在土木工程领域的应用[J].低温智能建筑工程关键技术,2004(2).

作者介绍:杨丽(1989-),女,CAD设计工程师,建筑工程系09级建筑工程管理学生,研究方向为建筑工程关键技术工程关键技术与工程造价.