神经工程管理系统模型思考

神经工程管理系统模型思考

工程管理的交叉性：ＥＳＤ的子集

实际上，麻省理工（ＭＩＴ）的ＥＳＤ是从应对２１世纪面临的挑战、从大处解决问题的视角，来组织工程系统学科（ＥＳＤ）的，并没有突出工程学科与管理学科、社会学科交叉时所面临的基础科学问题。例如，在工程系统中处于中心地位的人的行为机理、人的行为的生理基础等“与生命科学相关的基础科学问题”（事实上，在工程舞台上活动的人，是从宇宙演化中产生的，其行为必然受到人自身在长期演化中所形成的神经系统特征甚至生理系统特征的影响）。

在人与自然的关系中，工程与工程管理的地位

人们经常强调人与自然的关系，人与自然的和谐发展。但事实上，现代人类生活（不论是衣食住行还是工作）与自然的关系，主要是通过人造物与自然发生关系的，直接与自然交互的比例越来越小（见图１）［１］。如果不考虑服务性工程，工程建设或工程活动的结果就是在人周围的“人造物”（从建筑、桥梁、道路、车辆、飞行器到设备、工具、用具、衣物）。广义的工程就是人类按照自然规律（物质世界的逻辑）来改造自然的事务（工程技术所体现的就是自然世界逻辑的一部分）。１“人－人造物－自然”三者的关系这些“人造物”之所以被制造，是因为它们能够满足人的活动的某种或者某些需要。这些需要，可能是局部的（如某个具体行为的需要），也可以是全局的（如人类对能量的需求），可能是近期的（如疏通某条道路），也可能是远期的（如恢复矿区的植被、环境保护）。工程管理就是要让这些“人造物”

被设计得更符合人的需求，让这些“改造自然的事务”完成得更高效、更高质、更节约一些。

工程价值系统理论与金字塔模型

一般而言，工程是多目标的。因而，对于工程管理而言，正确地分析人类活动的需求，从而正确地设定工程的诸多目标，是展开工程管理的第一步。工程的多个目标与自然逻辑的关系，常常不是完全“同向”的。例如，一个水电站，就一般物理规律而言，如果水坝高一些，水头就可以高一些，每立方水的势能就高，每立方水的发电量也就高。似乎水坝越高越好。但是，水坝高了，水坝的建设成本高了，蓄水时，淹没的耕地就多了，需要迁移的人口就多了，还可能引起其它生态问题。这样，多发电、保护耕地、保护生态等目标之间，就不是完全“同向”的了。多个目标之间，就存在权衡的问题。不同行业、不同类型工程过程的多样性对于不同类型的工程而言，其实施过程是不尽相同的。（１）对于一个生产工厂的建设工程，通常需要经历如下阶段完成该工程建设：建厂论证—计划—合同—工程设计—采购—施工—试车—验收。（２）对于一项制造工程，所关注的阶段是：需求—设计—制造—销售（包括服务）。（３）“遭遇性”重大传染病防治工程所关注的阶段是：常规监控指标正常—某高传染疾病（可能是全新的）突然爆发—情况调查，传染源隔离—病因调查与研究（对新病菌、病毒的提取、培育与研究）—对病患者的治疗—全社会防治力量的组织与调度等。总之，不同类型工程的实施过程，有一些大同小异，有一些差异很大。

工程管理的本质：在一定时空中的要素协同尽管不同类型工程的实施过程（阶段）会有差别，但它们都有一个共同的特点就是为了某个或某些目的，在一定的时间范围内，依托相关信息，把有专业知识和技能的人、设备、材料、能量组合到一起，交互作用（有关技术和管理是交互作用的黏合剂），产生能够满足一定需要的“人造物”（狭义的工程），或者把事件控制在所希望的状态（广义的工程）。而在这个过程中，管理的本质是使得工程所需要素协同，也就是使恰当的要素（有专业知识和技能的人、设备、材料、能量等）在恰当的时间，出现在恰当的位置，然后这些要素相互作用，实现物理、化学或生命过程的变化，得到预期的结果。这三个“恰当”是与高质量、低成本、高效率相联系的。工程价值系统的金字塔模型这些共同特点可以用工程价值系统的金字塔模型来表述（见图２）［３］。任何一项工程，其背后都有一个价值系统。给出了工程价值系统的框架结构。在金字塔的顶端是工程（或者子工程）的价值Ｖ，它由两部分组成，Ｖ１是工程的货币价值，即工程本身的盈利，Ｖ２是工程的社会价值、生态价值等非货币形态的价值。也就是说，Ｖ就是工程的目标，它由多维度组成（多目标）。工程Ｅ（图２中顶端下面的平面）是价值的载体，Ｅ的水平、质量、完成Ｅ的效率，深刻地影响了工程Ｅ价值Ｖ的实现。工程Ｅ下面的平面Ｈ（也就是金字塔模型的底），表示工程所处的社会、经济、自然环境。首先（甲）社会环境、生态环境必须需要这一工程（也就是需求分析），并且（乙）社会和生态环境能够容纳这项工程（允许这项工程完成）。

一个社会和生态环境不能容纳一项工程（不能容许其完成）的例子很常见。例如，某些非洲国家需要石油采掘建设工程（具备了甲），但是政局不稳，时有战乱，这样的社会环境就不允许这样的工程完成（不具备乙）。一项工程Ｅ所处的环境Ｈ，同时具备甲（需求）与乙（容许），就称为环境Ｈ与工程Ｅ耦合。只要甲乙中有一项不具备就不耦合。“耦合分析”是一项工程开始前非常重要的工作。乙常常被忽视，特别是境外的一些工程，其结果就可能是上百亿美元的损失。而一项工程Ｅ能否带来经济与社会价值（Ｖ１与Ｖ２），仅仅有环境的需求（甲）和允许（乙）是不够的，还必须科学管理，把工程做好。对于狭义工程而言，做好一项工程的实质就是人（有相关专业知识或技能的人）运用资金，利用物（设备平台、被加工材料和组件、能源），使用一定的技术、方法、措施，让不同的“物”组合或者分离开来，形成一个新的“人造物”，满足人类活动的需要。也就是说，让金字塔模型底面的４个角，有效地、在一定的时间和空间相互作用，产生出一个新的人造物，同时也产生工程Ｅ的价值Ｖ（货币价值和非货币价值）。工程价值系统理论的金字塔模型为工程管理提供了一个形象的理论框架。人们很容易利用这个框架，扣住工程管理的命门，抓住关键，实施管理，提高并实现工程的价值。

神经网络模型预测控制器

神经网络模型预测控制器 摘要：本文将神经网络控制器应用于受限非线性系统的优化模型预测控制中，控制规则用一个神经网络函数逼近器来表示，该网络是通过最小化一个与控制相关的代价函数来训练的。本文提出的方法可以用于构造任意结构的控制器，如减速优化控制器和分散控制器。 关键字：模型预测控制、神经网络、非线性控制 1.介绍 由于非线性控制问题的复杂性，通常用逼近方法来获得近似解。在本文中，提出了一种广泛应用的方法即模型预测控制（MPC），这可用于解决在线优化问题，另一种方法是函数逼近器，如人工神经网络，这可用于离线的优化控制规则。 在模型预测控制中，控制信号取决于在每个采样时刻时的想要在线最小化的代价函数，它已经广泛地应用于受限的多变量系统和非线性过程等工业控制中[3,11,22]。MPC方法一个潜在的弱点是优化问题必须能严格地按要求推算，尤其是在非线性系统中。模型预测控制已经广泛地应用于线性MPC问题中[5]，但为了减小在线计算时的计算量，该部分的计算为离线。一个非常强大的函数逼近器为神经网络，它能很好地用于表示非线性模型或控制器，如文献[4,13,14]。基于模型跟踪控制的方法已经普遍地应用在神经网络控制，这种方法的一个局限性是它不适合于不稳定地逆系统，基此本文研究了基于优化控制技术的方法。 许多基于神经网络的方法已经提出了应用在优化控制问题方面，该优化控制的目标是最小化一个与控制相关的代价函数。一个方法是用一个神经网络来逼近与优化控制问题相关联的动态程式方程的解[6]。一个更直接地方法是模仿MPC方法，用通过最小化预测代价函数来训练神经网络控制器。为了达到精确的MPC技术，用神经网络来逼近模型预测控制策略，且通过离线计算[1,7.9,19]。用一个交替且更直接的方法即直接最小化代价函数训练网络控制器代替通过训练一个神经网络来逼近一个优化模型预测控制策略。这种方法目前已有许多版本，Parisini[20]和Zoppoli[24]等人研究了随机优化控制问题，其中控制器作为神经网络逼近器的输入输出的一个函数。Seong和Widrow[23]研究了一个初始状态为随机分配的优化控制问题，控制器为反馈状态，用一个神经网络来表示。在以上的研究中，应用了一个随机逼近器算法来训练网络。Al-dajani[2]和Nayeri等人[15]提出了一种相似的方法，即用最速下降法来训练神经网络控制器。 在许多应用中，设计一个控制器都涉及到一个特殊的结构。对于复杂的系统如减速控制器或分散控制系统，都需要许多输入与输出。在模型预测控制中，模型是用于预测系统未来的运动轨迹，优化控制信号是系统模型的系统的函数。因此，模型预测控制不能用于定结构控制问题。不同的是，基于神经网络函数逼近器的控制器可以应用于优化定结构控制问题。 在本文中，主要研究的是应用于非线性优化控制问题的结构受限的MPC类型[20,2,24,23,15]。控制规则用神经网络逼近器表示，最小化一个与控制相关的代价函数来离线训练神经网络。通过将神经网络控制的输入适当特殊化来完成优化低阶控制器的设计，分散和其它定结构神经网络控制器是通过对网络结构加入合适的限制构成的。通过一个数据例子来评价神经网络控制器的性能并与优化模型预测控制器进行比较。 2.问题表述 考虑一个离散非线性控制系统： 其中为控制器的输出，为输入，为状态矢量。控制

《工程计量与造价管理》课后思考题

《工程计量与造价管理》课后思考题 第一讲： 1. 如何理解全过程工程造价的两种含义？上网找5个工程项目，注明其工程造价是多少，那种含义。 2.工程计价的特点？ 3.项目建设各个阶段分别对应的工程造价是什么？ 4.自学国内外工程造价管理发展内容、自学造价工程师管理制度、自学造价员管理制度、自学工程造价咨询管理制度。 5.预习工程造价构成 第二讲： 1.我国现行建设项目投资构成？ 2.进口设备原价构成与计算？ 3.按照费用构成要素划分建筑安装工程费用项目构成？ 4.人工日工资单价组成？材料单价组成？施工机械台班单价费用组成？ 第三讲： 1.企业管理费内容？规费概念与内容？ 2.按照造价形成划分建筑安装工程费用项目构成？ 3.工程建设其他费用的构成？ 4.涨价预备费和建设期利息计算？ 第四讲： 1.分部组合计价原理？ 2.工程建设定额的含义？分类？作用？ 3.现行工程造价计价模式？ 第五讲： 1.工人工作时间分类？机械工作时间分类？ 2. 如何计算1m3砖砌体砖和砂浆总用量？ 3.对于循环动作机械、连续动作机械的产量定额如何确定？ 第六讲： 1.预算定额人工消耗量确定？ 2.预算定额概念及预算定额基价计算？ 3.概算定额、投资估算指标概念？ 第七讲： 1.预算定额的常见换算有哪几种？基本原理？ 第八讲： 1.投资决策阶段影响工程造价的因素有哪些？ 2.生产能力指数法的计算公式，n如何取值？ 3.系数估算法的基本原理？ 4.比例估算法的基本原理？ 5.指标估算法适用范围？ 第九讲： 1.设计阶段影响工程造价的因素有哪些？ 2.设计概算的概念、内容？ 3.单位建筑工程概算编制方法？各种方法适用条件？ 第十讲： 1.单价法编制施工图预算步骤？ 2.实物法编制施工图预算步骤？

疼痛动物模型规范

疼痛实验动物模型 科研探索2007-04-25 23:11:36 阅读147 评论0 字号：大中小订阅 疼痛是机制非常复杂的神经活动。疼痛研究已经成为当前神经科学研究的重要课题之一。由于疼痛机制的复杂性，使得在患者身上研究与疼痛有关的神经机制成为不可能的事。因而，我们的研究需要相应的动物模型。本章介绍了在现代神经科学研究中常用的疼痛动物模型。在概要介绍了疼痛研究的意义及其现状之后，重点介绍了在生理痛研究和急性、慢性病理痛研究中所应用的动物模型。生理痛的模型即常用的动物伤害性感受阈测定法；急性病理痛的模型则主要是各种急性炎症模型模型；慢性病理痛的模型则包 括慢性炎症模型和慢性神经损伤模型。 前言 疼痛(pain)是人们一生中经常遇到的不愉快的感觉。它提供躯体受到威胁的警报信号，是生命不可缺少的一种特殊保护功能。另一方面，它又是各种疾病最常见的症状，也是当今困扰人类健康最严重的问题之一。近年来，仅在美国就有三至四千万人患有慢性痛。据估计，美国每年用于治疗慢性痛的费用约为400~600亿美元；澳大利亚每年用于治疗疼痛的费用占全部医疗费用的40%。随着医学的进步和人类生活水平的提高，烈性传染病逐渐得到控制，疼痛在人的身心痛苦和医疗费用消耗上的相对地位将越来越重要。 由于难以在人体对疼痛进行深入的机制研究，有必要建立疼痛的动物模型。但疼痛是是包括性质、强度和程度各不相同的多种感觉的复合，并往往与自主神经系统、运动反应、心理和情绪反应交织在一起，它既不是简单地与躯体某一部分的变化有关，也不是由神经系统某个单一的传导束、神经核和神经递质进行传递的，所以很难将某种客观指标与疼痛直接联系起来。因而，我们只能根据模型动物对伤害性刺激的 保护反应和保护性行为来推测它们的疼痛程度。 伤害性感受(nociception)和痛觉是两个有密切关系但又不相同的概念。前者是指中枢神经系统对由于伤害性感受器的激活而引起的传入信息的加工和反应，以提供组织损伤的信息；痛觉则是指上升到感觉水 平的疼痛感觉。两者之间有时并没有严格的相关性。 生理痛模型与常用的痛阈测定法 概述 为了能够对痛觉现象及其机制作深入细致的观察，特别是在中枢神经系统的形态学、细胞生物学和分子生物学水平研究痛觉机制，必须建立动物的痛觉模型。又由于痛觉是意识水平的感觉，我们无法确定动物是否具有痛觉，只能观察其对伤害性刺激的行为反应。因而在下文的描述中有时用伤害性感受阈 (nociceptive threshold)取代痛阈(pain threshold)。 正常情况下，疼痛是机体对外界伤害性刺激的感受，它是一种报警系统，提示实存的或潜在的组织损伤的可能性。如果这种伤害性刺激是可以回避的，那么痛觉就是一种具有完全的积极意义的感觉形式，称为生理痛。这种意义上的疼痛模型实际上就是对伤害性感受阈的测量。它是通过观察动物对伤害性温度 和机械刺激的逃避反应实现的。 如果动物遇到无法逃避的伤害性刺激，就会引起它的情绪反应，发出嘶叫声。这是需要高级神经中枢配合的反应，并且不受局部运动功能的影响。因而，在伤害性刺激下引起的嘶叫反应也可以作为伤害性 感受阈的测量指标。 热辐射-逃避法 这是最常见的伤害性感受阈测量方式。最常用的有热辐射-甩尾法、热辐射-甩头法和热辐射-抬足法。

神经网络一个简单实例

OpenCV的ml模块实现了人工神经网络（Artificial Neural Networks，ANN）最典型的多层感知器（multi-layer perceptrons, MLP）模型。由于ml模型实现的算法都继承自统一的CvStatModel基类，其训练和预测的接口都是train(),predict()，非常简单。 下面来看神经网络CvANN_MLP 的使用~ 定义神经网络及参数： [cpp]view plain copy 1.//Setup the BPNetwork 2. CvANN_MLP bp; 3.// Set up BPNetwork's parameters 4. CvANN_MLP_TrainParams params; 5. params.train_method=CvANN_MLP_TrainParams::BACKPROP; 6. params.bp_dw_scale=0.1; 7. params.bp_moment_scale=0.1; 8.//params.train_method=CvANN_MLP_TrainParams::RPROP; 9.//params.rp_dw0 = 0.1; 10.//params.rp_dw_plus = 1.2; 11.//params.rp_dw_minus = 0.5; 12.//params.rp_dw_min = FLT_EPSILON; 13.//params.rp_dw_max = 50.; 可以直接定义CvANN_MLP神经网络，并设置其参数。BACKPROP表示使用 back-propagation的训练方法，RPROP即最简单的propagation训练方法。 使用BACKPROP有两个相关参数：bp_dw_scale即bp_moment_scale： 使用PRPOP有四个相关参数：rp_dw0, rp_dw_plus, rp_dw_minus, rp_dw_min, rp_dw_max：

市政道路工程造价估算的目的和意义

市政道路工程造价估算的目的和意义 市政道路工程估算，也是制定工程招标标底的重要参考，市政道路工程造价估算的结果是市政道路工程完整进行的资金耗费的最低额度，因而对于招标的标底的制定有着重要的参考价值。总之，市政道路工程造价估算的科学进行，是市政道路 Eij=b1f1(zl)+b2f2(z2)+b3f3(z3)+b4f4(z4)+...这个公式中，Eij代表工程造价，fn代表各种影响因素的函数，bn代表各种影响因素相应的影响系数，zn代表各种影响因素的具体取值。 数理统计估算方法的应用，需要较为精确地确定各种因素的取值，然后根据函数公式来计算确定市政道路工程造价。这种方法的优势和劣势非常明显。优势是可

以通过计算有效地了解各种影响因素给工程造价带来的影响大小，而且计算简便易操作，对造价的估算耗时较短，应用起来非常方便。 劣势是在应用此种方法前，需要有大量的历史工程资料数据的积累，需要的样本数量较为庞大，如果工程资料数据不够多，则会影响市政道路工程估算的准确性，降低投资效益。 程材料物价发生了浮动，则用这种方法计算得到的工程造价与实际造价相比会存在较为明显的差异。 2.3人工神经元估算方法 人工神经元估算方法相对于市政道路工程造价估算的其他方法来说，是一种较为新颖的方法。人工神经元估算方法的特性是可以自顺应学习，在处置过程中可以

并行协同，存储具有分散性。 人工神经元估算方法不同于线性的动力学系统，它是把市政道路工程的相关信息作为神经元网络分支的输入内容，把市政道路工程的造价作为神经元网络的输出内容，从而形成一个完整的市政道路工程造价的估算体系，进行系统运作。人工神经元估算方法的形成，需要科学确定神经元网络模型的各个分支的权重，权重的合 析估算方法的可信度相对较高，而且目前适用性很普遍，误差也可以得到很好的控制。 三结语 市政道路工程建设，是政府的形象工程，必须重视，必须正确对待。而市政道路工程建设也不能盲目投入大量资金，会造成浪费，应当提高投资效益，提升性价

BP神经网络模型应用实例

BP神经网络模型 第1节基本原理简介 近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注． 目前，已发展了几十种神经网络，例如Hopficld模型，Feldmann等的连接型网络模型，Hinton等的玻尔茨曼机模型，以及Rumelhart等的多层感知机模型和Kohonen的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart等人提出了误差反向传递学习算法（即BP算），实现了Minsky的多层网络

设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11)(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并 传向输出层。每一层神经元的状态只影响下一层神经

Hopfield神经网络综述

题目：Hopfield神经网络综述 一、概述： 1.什么是人工神经网络（Artificial Neural Network，ANN) 人工神经网络是一个并行和分布式的信息处理网络结构，该网络结构一般由许多个神经元组成，每个神经元有一个单一的输出，它可以连接到很多其他的神经元，其输入有多个连接通路，每个连接通路对应一个连接权系数。 人工神经网络系统是以工程技术手段来模拟人脑神经元（包括细胞体，树突，轴突）网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。主要从两个方面进行模拟：一是结构和实现机理；二是从功能上加以模拟。 根据神经网络的主要连接型式而言，目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。 1）反馈神经网络(Recurrent Network) 反馈神经网络，又称自联想记忆网络，其目的是为了设计一个网络，储存一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到这个设计的平衡点上。反馈神经网络是一种将输出经过一步时移再接入到输入层的神经网络系统。 反馈网络能够表现出非线性动力学系统的动态特性。它所具有的主要特性为以下两点：（1）.网络系统具有若干个稳定状态。当网络从某一初始状态开始运动，网络系统总可以收敛到某一个稳定的平衡状态； （2）.系统稳定的平衡状态可以通过设计网络的权值而被存储到网络中。 反馈网络是一种动态网络，它需要工作一段时间才能达到稳定。该网络主要用于联想记忆和优化计算。在这种网络中，每个神经元同时将自身的输出信号作为输入信号反馈给其他神经元，它需要工作一段时间才能达到稳定。 2.Hopfiel d神经网络 Hopfield网络是神经网络发展历史上的一个重要的里程碑。由美国加州理工学院物理学家J.J.Hopfield 教授于1982年提出，是一种单层反馈神经网络。Hopfiel d神经网络是反馈网络中最简单且应用广泛的模型，它具有联想记忆的功能。 Hopfield神经网络模型是一种循环神经网络，从输出到输入有反馈连接。在输入的激励下，会产生不断的状态变化。 反馈网络有稳定的，也有不稳定的，如何判别其稳定性也是需要确定的。对于一个Hopfield 网络来说，关键是在于确定它在稳定条件下的权系数。 下图中，第0层是输入，不是神经元；第二层是神经元。

关于建设工程造价管理成熟度的相关思考

关于建设工程造价管理成熟度的相关思考 【摘要】建筑工程造价管理是工程项目管理的组成内容之一。而工程造价管理成熟模型并不是一个十分特殊的框架模型，在具体实际中，还需结合实际，进一步细化模型的组织，不断在实践中完善和健全该模型的应用性。本文首先对建设工程造价管理成熟度的几个构成部分进行了分析和探讨，并建设工程造价成熟度模型单元内部程序及其评价价值的整体提高提出了几点建设性的意见和建议。 【关键词】建设工程；造价管理；成熟度；模型 一、建设工程造价管理成熟度的几个构成部分 （一）知识域 对于造价管理的知识系统来说，其是一个涉及建设工程造价整个生命期中所有子系统的集合，在项目管理的整个周期中离不开一个核心的造价，这个造价起着对生命周期的控制作用。建设阶段在项目管理中较为重要，然而，在工程造价管理中，除去重视此阶段外，也不能忽视建设前后这俩阶段。建设项目的规模、工期、内容以及对其总投资的管理都囊括在建设工程造价管理的范围。在相关工程招标及造价的管理细则下，需要将造价中与法律法规有着联系的条款仅仅把握住。与此同时，建设造价还受很多因素的影响，诸如组

织设计方案的竞选以及在施工时的招标投标等，所以，需要在这些知识的领域当中，对每一项的造价管理都认真掌控，如此，才可以控制好总的造价。 （二）过程域 对于建设工程造价管理来说，在其知识的领域中，如果业主想让建设工程项目的造价管理能够到达相应的等级，就需要设立一定的改善对象领域，这些领域也就是建设工程造价管理的过程域。这个过程域囊括多个阶段的工程结算：（1）在决策过程中的投资估算；（2）设计过程中的相关预算；（3）实施过程中以及竣工时的相关预算。结合在过程中表现的重要性不同，还可以将过程域分为关键的和一般的两种。对于前者来说，顾名思义，就是工程造价管理的重点管理内容，而对于后者来说，就可以兼顾管理。（图2） （三）目标 所谓目标，指的是将知识领域充分应用从而在过程域中对每个过程的实现程度进行评价，而对于建设工程造价的目标域来说，其就是基于建设工程质量对整体建设项目造价的确定以及有效的控制。 （四）实践 在工程造价管理的时候，有很多为了将过程域中的每一个过程的目标及时实现而进行的工作，都统称为造价过程域的实践。对于建设项目过程造价管理工作来说，首要任务是

几种神经网络模型及其应用

几种神经网络模型及其应用 摘要：本文介绍了径向基网络，支撑矢量机，小波神经网络，反馈神经网络这几种神经网络结构的基本概念与特点，并对它们在科研方面的具体应用做了一些介绍。 关键词：神经网络径向基网络支撑矢量机小波神经网络反馈神经网络Several neural network models and their application Abstract: This paper introduced the RBF networks, support vector machines, wavelet neural networks, feedback neural networks with their concepts and features, as well as their applications in scientific research field. Key words: neural networks RBF networks support vector machines wavelet neural networks feedback neural networks 2 引言 随着对神经网络理论的不断深入研究，其应用目前已经渗透到各个领域。并在智能控制，模式识别，计算机视觉，自适应滤波和信号处理，非线性优化，语音识别，传感技术与机器人，生物医学工程等方面取得了令人吃惊的成绩。本文介绍几种典型的神经网络，径向基神经网络，支撑矢量机，小波神经网络和反馈神经网络的概念及它们在科研中的一些具体应用。 1. 径向基网络 1.1 径向基网络的概念 径向基的理论最早由Hardy，Harder和Desmarais 等人提出。径向基函数（Radial Basis Function，RBF）神经网络，它的输出与连接权之间呈线性关系，因此可采用保证全局收敛的线性优化算法。径向基神经网络（RBFNN）是 3 层单元的神经网络，它是一种静态的神经网络，与函数逼近理论相吻合并且具有唯一的最佳逼近点。由于其结构简单且神经元的敏感区较小，因此可以广泛地应用于非线性函数的局部逼近中。主要影响其网络性能的参数有3 个：输出层权值向量，隐层神经元的中心以及隐层神经元的宽度(方差)。一般径向基网络的学习总是从网络的权值入手，然后逐步调整网络的其它参数，由于权值与神经元中心及宽度有着直接关系，一旦权值确定，其它两个参数的调整就相对困难。 其一般结构如下： 如图 1 所示，该网络由三层构成,各层含义如下： 第一层：输入层：输入层神经元只起连接作用。 第二层：隐含层：隐含层神经元的变换函数为高斯核. 第三层：输出层：它对输入模式的作用做出响应. 图 1. 径向基神经网络拓扑结构 其数学模型通常如下： 设网络的输入为x = ( x1 , x2 , ?, xH ) T，输入层神经元至隐含层第j 个神经元的中心矢 为vj = ( v1 j , v2 j , ?, vIj ) T (1 ≤j ≤H)，隐含层第j 个神经元对应输入x的状态为：zj = φ= ‖x - vj ‖= exp Σx1 - vij ) 2 / (2σ2j ) ，其中σ(1≤j ≤H)为隐含层第j个神

神经网络应用实例

神经网络 在石灰窑炉的建模与控制中的应用神经网络应用广泛，尤其在系统建模与控制方面，都有很好应用。下面简要介绍神经网络在石灰窑炉的建模与控制中的应用，以便更具体地了解神经网络在实际应用中的具体问题和应用效果。 1 石灰窑炉的生产过程和数学模型 石灰窑炉是造纸厂中一个回收设备，它可以使生产过程中所用的化工原料循环使用，从而降低生产成本并减少环境污染。其工作原理和过程如图1所示，它是一个长长的金属圆柱体，其轴线和水平面稍稍倾斜，并能绕轴线旋转，所以又 CaCO（碳酸钙）泥桨由左端输入迴转窑，称为迴转窑。含有大约30%水分的 3 由于窑的坡度和旋转作用，泥桨在炉内从左向右慢慢下滑。而燃料油和空气由右端喷入燃烧，形成气流由右向左流动，以使泥桨干燥、加热并发生分解反应。迴转窑从左到右可分为干燥段、加热段、煅烧段和泠却段。最终生成的石灰由右端输出，而废气由左端排出。 图1石灰窑炉示意图 这是一个连续的生产过程，原料和燃料不断输入，而产品和废气不断输出。在生产过程中首先要保证产品质量，包括CaO的含量、粒度和多孔性等指标，因此必须使炉内有合适的温度分布，温度太低碳酸钙不能完全分解，会残留在产品中，温度过高又会造成生灰的多孔性能不好，费燃料又易损坏窑壁。但是在生产过程中原料成分、含水量、进料速度、燃油成分和炉窑转速等生产条件经常会发生变化，而且有些量和变化是无法实时量测的。在这种条件下，要做到稳定生产、高质量、低消耗和低污染，对自动控制提出了很高的要求。 以前曾有人分析窑炉内发生的物理-化学变化，并根据传热和传质过程来建立窑炉的数学模型，认为窑炉是一个分布参数的非线性动态系统，可以用二组偏

Hopfield神经网络综述

题目： Hopfield神经网络综述 一、概述： 1.什么是人工神经网络（Artificial Neural Network，ANN) 人工神经网络是一个并行和分布式的信息处理网络结构，该网络结构一般由许多个神经元组成，每个神经元有一个单一的输出，它可以连接到很多其他的神经元，其输入有多个连接通路，每个连接通路对应一个连接权系数。 人工神经网络系统是以工程技术手段来模拟人脑神经元（包括细胞体，树突，轴突）网络的结构与特征的系统。利用人工神经元可以构成各种不同拓扑结构的神经网络，它是生物神经网络的一种模拟和近似。主要从两个方面进行模拟：一是结构和实现机理；二是从功能上加以模拟。 根据神经网络的主要连接型式而言，目前已有数十种不同的神经网络模型，其中前馈型网络和反馈型网络是两种典型的结构模型。 1）反馈神经网络(Recurrent Network) 反馈神经网络，又称自联想记忆网络，其目的是为了设计一个网络，储存一组平衡点，使得当给网络一组初始值时，网络通过自行运行而最终收敛到这个设计的平衡点上。反馈神经网络是一种将输出经过一步时移再接入到输入层的神经网络系统。 反馈网络能够表现出非线性动力学系统的动态特性。它所具有的主要特性为以下两点：（1）.网络系统具有若干个稳定状态。当网络从某一初始状态开始运动，网络系统总可以收敛到某一个稳定的平衡状态； （2）.系统稳定的平衡状态可以通过设计网络的权值而被存储到网络中。 反馈网络是一种动态网络，它需要工作一段时间才能达到稳定。该网络主要用于联想记忆和优化计算。在这种网络中，每个神经元同时将自身的输出信号作为输入信号反馈给其他神经元，它需要工作一段时间才能达到稳定。 2.Hopfield神经网络 Hopfield网络是神经网络发展历史上的一个重要的里程碑。由美国加州理工学院物理学家J.J.Hopfield 教授于1982年提出，是一种单层反馈神经网络。Hopfield神经网络是反馈网络中最简单且应用广泛的模型，它具有联想记忆的功能。 Hopfield神经网络模型是一种循环神经网络，从输出到输入有反馈连接。在输入的激励下，会产生不断的状态变化。 反馈网络有稳定的，也有不稳定的，如何判别其稳定性也是需要确定的。对于一个Hopfield 网络来说，关键是在于确定它在稳定条件下的权系数。 下图中，第0层是输入，不是神经元；第二层是神经元。

工程造价工作的总结和思考

对我院工程造价工作的总结和思考 （设计院概预算副总****） 2009年以来，根据院工作安排，我负责院概预算校审工作。现对此项工作做以总结。工程概预算是工程设计的一个重要组织部分，是工程重要性和结构设计在经济上的具体体现。过去由于受计划经济制约和对工程经济的认识不够，只讲求工程投资多少，所以也称工程概预算，现在随着经济发展和深入，工程概预算也相应增加了经济评价和效益分析部分，故改称工程造价。目前国家关于工程造价管理工作的不断加强及我院工程设计范围的扩大和延伸，各级政府对工程造价要求越来越高，审查时越来越严格和细致。但从多年工程造价审查工作来看，我院的工程造价工作仍存在不少的问题。 一、总体上对工程造价工作不重视，其反映在以下方面 1、由于长时间形成的观念，大部分人特别是项目负责认为工程造价只是设计工作的附属部分，相对于结构设计比较简单，有较固定的编制办法和定额子目，会照般类似工程格式即可完成，其实要作好工程造价并不容易，它对人员素质要求很高，不但要具有较高的工程设计方面知识，清楚结构设计，还要有相应的施工经验，安排并理顺工序及施工组织，并要有经济方面的知识，完成相应的经济评价和效益分析。 2、许多人也认为工程造价不难，是因为没有深入进去和认真编制，其主要是没区分清楚各设计阶段具体要求，加上原来我院的主要工程是堤防和河道工程，相对工序少，施工简单，并有类似工程格式，但随着引调水、水

库及水电站、橡胶坝等项目的展开，编制工程造价的难度进一步加大，不是一般人员可完成并作好的。 3、我院绝大部分人员整体水平低，且没有实际施工经验，编制的施工组织设计及划分的工序与设计部分出现不衔接、甚至有遗漏和重复情况。大多设计及造价编制人对自己的工作部分了解较多，而对相关的部分了解很少，使造价和设计工作人为的不衔接。 上述情况根本在于都没有认识到造价是工程设计的最终体现，没有认识到设计个环节的浪费其实是最大的、看不见的浪费。加上现在项目都将安全性放在首位，且大部分都有地方配套资金，故委托单位多有意让编制时多列和估计资金等外部原因，使得上述情况没有改变，并有加大情况。 二、造成我院造价工作水平低的原因很多，体现在设计工程的各个环节上 1、设计准备阶段：由于项目负责对造价工作的认识差异，故在设计准备阶段对造价方面从没提出要求，现场查勘时也无造价编制人参加，有关工程的社经情况、材料产地及运距和原价，施工道路情况均没有实际调查和了解，缺少第一手和最基础的资料。 2、设计阶段：由于项目负责及主要设计人员主要忙于自己的内容，对造价要求项目划分、工种序配合及工序衔接情况考虑少，提交的工程量清单因人因水平而差别较大，加上校核工作不认真，多出现工程量遗漏和重复情况。 3、造价编制阶段；很多造价编制人从没参与设计，不了解设计内容，更无判断工程量和工序、机械组合的合理程度，只是按设计人员提交工程量编制造价，造成未能真实反映工程建设的情况。

神经网络模型应用实例

BP 神经网络模型 近年来全球性的神经网络研究热潮的再度兴起，不仅仅是因为神经科学本身取得了巨大的进展．更主要的原因在于发展新型计算机和人工智能新途径的迫切需要．迄今为止在需要人工智能解决的许多问题中，人脑远比计算机聪明的多，要开创具有智能的新一代计算机，就必须了解人脑，研究人脑神经网络系统信息处理的机制．另一方面，基于神经科学研究成果基础上发展出来的人工神经网络模型，反映了人脑功能的若干基本特性，开拓了神经网络用于计算机的新途径．它对传统的计算机结构和人工智能是一个有力的挑战，引起了各方面专家的极大关注． 目前，已发展了几十种神经网络，例如Hopficld 模型，Feldmann 等的连接型网络模型，Hinton 等的玻尔茨曼机模型，以及Rumelhart 等的多层感知机模型和Kohonen 的自组织网络模型等等。在这众多神经网络模型中，应用最广泛的是多层感知机神经网络。多层感知机神经网络的研究始于50年代，但一直进展不大。直到1985年，Rumelhart 等人提出了误差反向传递学习算法（即BP 算），实现了Minsky 的多层网络设想，如图34-1所示。 BP 算法不仅有输入层节点、输出层节点，还可有1个或多个隐含层节点。对于输入信号，要先向前传播到隐含层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取S 型函数，如 Q x e x f /11 )(-+= 式中Q 为调整激励函数形式的Sigmoid 参数。该算法的学习过程由正向传播和反向传播组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。 社含有n 个节点的任意网络，各节点之特性为Sigmoid 型。为简便起见，指定网络只有一个输出y ,任一节点i 的输出为O i ,并设有N 个样本(x k ,y k )(k =1,2,3,…,N ),对某一输入x k ，网络输出为y k 节点i 的输出为O ik ,节点j 的输入为net jk = ∑i ik ij O W 并将误差函数定义为∑=-=N k k k y y E 12 )(21

人工神经网络应用实例

人工神经网络在蕨类植物生长中的应用 摘要：人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)是目前国际上一门发展迅速的前沿交叉学科。为了模拟大脑的基本特性，在现代神经科学研究的基础上，人们提出来人工神经网络的模型。根据此特点结合蕨类植物的生长过程进行了蕨类植物生长的模拟。结果表明，人工神经网络的模拟结果是完全符合蕨类植物的生长的，可有效的应用于蕨类植物的生长预测。 关键词：人工神经网络；蕨类植物；MATLAB应用 一人工神经网络的基本特征 1、并行分布处理：人工神经网络具有高度的并行结构和并行处理能力。这特别适于实时控制和动态控制。各组成部分同时参与运算，单个神经元的运算速度不高，但总体的处理速度极快。 2、非线性映射：人工神经网络具有固有的非线性特性，这源于其近似任意非线性映射(变换)能力。只有当神经元对所有输入信号的综合处理结果超过某一门限值后才输出一个信号。因此人工神经网络是一种具有高度非线性的超大规模连续时间动力学系统。 3、信息处理和信息存储合的集成：在神经网络中，知识与信息都等势分布贮存于网络内的各神经元，他分散地表示和存储于整个网络内的各神经元及其连线上，表现为神经元之间分布式的物理联系。作为神经元间连接键的突触，既是信号转换站，又是信息存储器。每个神经元及其连线只表示一部分信息，而不是一个完整具体概念。信息处理的结果反映在突触连接强度的变化上，神经网络只要求部分条件，甚至有节点断裂也不影响信息的完整性，具有鲁棒性和容错性。 4、具有联想存储功能：人的大脑是具有联想功能的。比如有人和你提起内蒙古，你就会联想起蓝天、白云和大草原。用人工神经网络的反馈网络就可以实现这种联想。神经网络能接受和处理模拟的、混沌的、模糊的和随机的信息。在处理自然语言理解、图像模式识别、景物理解、不完整信息的处理、智能机器人控制等方面具有优势。 5、具有自组织自学习能力：人工神经网络可以根据外界环境输入信息，改变突触连接强度，重新安排神经元的相互关系，从而达到自适应于环境变化的目的。 二人工神经网络的基本数学模型 神经元是神经网络操作的基本信息处理单位（图1）。神经元模型的三要素为： (1) 突触或联接，一般用，表尔神经元和神经元之间的联接强度，常称之为权值。 (2) 反映生物神经元时空整合功能的输入信号累加器。 图1 一个人工神经元（感知器）和一个生物神经元示意图 (3) 一个激活函数用于限制神经元输出（图2），可以是阶梯函数、线性或者是指数形式的

工程造价目标过程控制的思考-最新范文

工程造价目标过程控制的思考 在工程建设的三大目标-质量、进度、造价中,工程造价目标是很重要的。即在保证工程质量目标的前提下,在目标工期内,用既定的投资完成工程任务。在实际的工程实践中,经常会出现预算超概算,结算超预算的现象,主要原因是没有实现造价目标的过程控制。一个工程建设项目的造价核算过程是多层次的。从编制投资估算、初步设计概算、施工图预算和确定招投标合同价,到最后的竣工结算与财务决算,整个过程是由粗及细、由浅入深的逐步分解和逐层控制的过程。在实施过程中需及时纠正投资偏差,始终保持在预定的工程项目总造价目标范围内,最终实现目标。下面谨就此过程谈谈一些看法。 1.可行性研究阶段,合理确定工程投资估算 我国基本建设投资程序规定,国有资金投资的建设项目应根据规模大小,按规定报批。经有权机关审批的项目投资总额就成了今后的造价目标。非国有资金投资的项目,也存在工程投资总额。因此,这个阶段能否根据项目的总体建设目标,综合考虑各种建设条件,充分估计各种费用,在既不铺张浪费,又不留缺口的前提下,进行多方案比选,最终确定最合理、最优化的建设方案,为今后的工程建设总体目标,特别是工程造价目标的实现打下良好的基础。 由于工程可行性论证的重要性,特别是大型、复杂、技术性强的项目,业主应选择有相应资质、实力雄厚、具有类似工程经验的工程咨询单位。参加工程可行性研究的成员组成除了工程技术人员外,还应

有造价管理人员、财会人员等,统一考虑技术、经济等因素进行综合论证。在工程可行性研究论证前,应充分了解,并能实地了解建设地有关的基础数据资料,如气象、水文、地质、经济等,做到研究论证的基础性资料准确,确保可研报告的真实性,并具有一定的深度。估算的投资项目齐全,费用合理,不留缺口。 1.在工程(经批准的)投资总额范围内,采取限额设计、优化设计的方法,控制工程造价 工程设计一般分为初步设计、施工图设计两个阶段。这两个阶段分别形成初步设计概算和施工图预算。在工程设计阶段,特别是初步设计阶段,实行限额设计,采取优化设计的方法,可达到控制造价的目的,又可提高设计质量,达到经济与技术的完美统一。 1)整个设计过程中,限额设计是对工程投资目标进行分解,按上一阶段确定的目标控制下一阶段的设计,而且在设计中以控制工程量为重要内容。作为工程的建设单位可在委托设计单位或通过设计招标选择设计单位时,明确提出限额设计,促使设计单位加强造价控制的观念,强化设计人员的工程造价意识,达到技术与经济的统一。设计人员在整个设计过程中,应各自检查本专业的工程费用,由设计项目负责人进行统筹把关,最后控制在限额内。建设单位在收到设计文件时,应注意检查设计文件中有否包含概(预)算文件,以及是否满足限额设计的要求。 2)作为工程的建设单位,可在设计阶段引进设计监理,特别是规模较大项目,能够通过优化设计,挖掘节省投资的潜力。对于较小规模的

人工神经网络及其应用实例_毕业论文

人工神经网络及其应用实例人工神经网络是在现代神经科学研究成果基础上提出的一种抽 象数学模型，它以某种简化、抽象和模拟的方式，反映了大脑功能的 若干基本特征，但并非其逼真的描写。 人工神经网络可概括定义为：由大量简单元件广泛互连而成的复 杂网络系统。所谓简单元件，即人工神经元，是指它可用电子元件、 光学元件等模拟，仅起简单的输入输出变换y = σ (x)的作用。下图是 3 中常用的元件类型： 线性元件：y = 0.3x，可用线性代数法分析，但是功能有限，现在已不太常用。 2 1.5 1 0.5 -0.5 -1 -1.5 -2 -6 -4 -2 0 2 4 6 连续型非线性元件：y = tanh(x)，便于解析性计算及器件模拟，是当前研究的主要元件之一。

离散型非线性元件： y = ? 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 -6 -4 -2 2 4 6 ?1, x ≥ 0 ?-1, x < 0 ，便于理论分析及阈值逻辑器件 实现，也是当前研究的主要元件之一。 2 1.5 1 0.5 0 -0.5 -1 -1.5 -2 -6 -4 -2 2 4 6

每一神经元有许多输入、输出键，各神经元之间以连接键（又称 突触）相连，它决定神经元之间的连接强度（突触强度）和性质（兴 奋或抑制），即决定神经元间相互作用的强弱和正负，共有三种类型： 兴奋型连接、抑制型连接、无连接。这样，N个神经元（一般N很大）构成一个相互影响的复杂网络系统，通过调整网络参数，可使人工神 经网络具有所需要的特定功能，即学习、训练或自组织过程。一个简 单的人工神经网络结构图如下所示： 上图中，左侧为输入层（输入层的神经元个数由输入的维度决定），右侧为输出层（输出层的神经元个数由输出的维度决定），输入层与 输出层之间即为隐层。 输入层节点上的神经元接收外部环境的输入模式，并由它传递给 相连隐层上的各个神经元。隐层是神经元网络的内部处理层，这些神 经元在网络内部构成中间层，不直接与外部输入、输出打交道。人工 神经网络所具有的模式变换能力主要体现在隐层的神经元上。输出层 用于产生神经网络的输出模式。 多层神经网络结构中有代表性的有前向网络（BP网络）模型、

基于Hopfield神经网络识别0~9

基于Hopfield 神经网络的数字识别 原理简介： Hopfield 网络是有反馈的全互联型网络，其形式如图2所示，N 为神经元的数目，V 表示神经元的输入向量，U 表示输出向量，W 为神经元之间的权值。离散Hopfield 网络中每个神经元的输出只能取“1”或“-1”两种状态，各神经元的状态可用向量V 表示：V={v 1，v 2 ，…v n }。网络中各神经元彼此互相连接，即每个神经元将自己的输出通过连接权传给其它神经元，同时每个神经元接受其它神经元传来的信息。 图2 有反馈的全互联型网络 Hopfield 网络的稳定性是由能量函数来描述的，即对网络的每个状态发生变化时，能量函数E 随网络状态变化而严格单调递减，这样Hopfield 模型的稳定与能量函数E 在状态空间的局部极小点将一一对应。 设有N 个神经元构成的Hopfield 网络，其中第i 个和第j 个神经元节点状态分别记为vi 和vj ；w 是神经元i 和j 的连接权，θ为神经元i 的阈值。节点的能量可表示为： Ei=-(i i n i j ij v w θ-∑≠)v 则整个Hopfield 网络整体能量函数定义为： E=-i n i i j i n i j ij n i v v v w ∑∑∑=≠=+1121θ 设有N 个神经元构成的Hopfield 神经网络，第i 个神经元在t 时刻所接收的来自其它N-1个神经元输入信号的总和记为ui （t ），t+1时刻第i 个神经元的输出值vi （t+1）是符号函数作用于ui （t ）的某个阈值 时，该神经元将触发成兴奋状态。据此可知Hopfield 网络的运行规则为： （1） 在网络中随机地选择一个神经元； （2） 求所选神经元i （1≤i ≤N ）的输入总和 u i (t)= i i n i j ij v w θ-∑≠；

基于人工智能技术的建筑工程造价估算研究 李兴龙

基于人工智能技术的建筑工程造价估算研究李兴龙 发表时间：2018-07-16T15:26:37.287Z 来源：《基层建设》2018年第16期作者：李兴龙 [导读] 摘要：建筑工程中建筑工程的造价估算是非常重要的部门，准确的建筑工程造价估算可以提高建筑工程项目成本费用预算的准确度，传统的建筑工程造价估算主要是以手工估算的方式为主，在对工程项目的预算过程中准确度低，对数据的估算容易造成很大的误差，这样会导致建筑工程项目经济损失的情况发生。 云南晟业建筑工程有限公司云南 650000 摘要：建筑工程中建筑工程的造价估算是非常重要的部门，准确的建筑工程造价估算可以提高建筑工程项目成本费用预算的准确度，传统的建筑工程造价估算主要是以手工估算的方式为主，在对工程项目的预算过程中准确度低，对数据的估算容易造成很大的误差，这样会导致建筑工程项目经济损失的情况发生。在建筑工程造价估算中人工智能技术的应用，可以采用科学的计算方法来对建筑工程项目造价成本进行估算，可以提高建筑工程项目造价估算的准确度。 关键词：人工智能技术；建筑工程；造价估算 引言 工程建设项目的造价确定是工程造价管理的重要内容之一，特别是在工程项目建设的前期阶段，在工程信息己知较少、不详细的前提下，估算、概算工程项目的造价（或投资）具有误差大、需要一定的编制时间等缺点。因而，如何准确、合理、快捷地计算出工程项目的造价（或投资）是工程项目实践者和研究者十分关心的问题。 1人工智能技术概述 1.1人工智能技术概念 人工智能（AI）即机器智能，其研究的重点内容包括机器自动化、识别技术以及程序自动设计等。它作为当前信息技术领域中的前沿技术，主要借助于计算机系统开展一系列的复杂活动。AI技术中是一个强大的综合体，其充分融合了人类的感知、思维、记忆、学习、反馈、处理等能力，将人类智能转化为机器智能，并对人类智能进行进一步模拟与拓展。它的使用，有利于数据模型分析，提高了造价估算的速度和精确度。 1.2人工智能技术特点 人工智能技术最基本的特点就是具有感知能力，感知能力是人工智能系统运行的基础。人工智能技术采用计算机作为主要设备，计算机具有记忆的功能，人工智能技术的发展方向是实现思维功能和记忆功能的对接。人工智能技术具有学习功能的特点，学习能力是适应社会发展的必备的能力，强调知识在现代经济发展中占有主导的地位。人工智能技术的中央处理系统比较类似与人类的神经中枢系统，人工智能技术有和人类比较类似的反映能力，促进了计算机技术的智能化。 2影响建筑工程造价估算的因素及特征变量分析 建筑工程造价受到的影响因素很多，建筑工程项目的顶层设计因素和建筑工程项目施工工作人员的技能水平这些都是影响建筑工程造价的人为因素。工程项目的变更、国家政策的调控和自然影响的因素这些都是影响建筑工程造价的客观因素。在建筑工程造价中受到的影响因素非常多，任何一个因素都在预算的过程中都不可以被遗漏，如果在造价估算的过程中某一个影响的因素没有被计算进来，那么整个建筑工程项目的造价都会受到影响，估算的准确度也就降低了。在建筑施工过程中，建筑物层数和建筑面积的增加都会影响建筑工程项目的费用支出，还有在建造过程中采购的材料的变化和施工人员开支的变化等都会影响建筑工程造价估算的精确度。所以在建筑工程造价估算过程中对动态的影响因素的变化都要考虑进来。把劳动生产率等引入到工程项目的造价估算中来，这样可以把施工项目的技术和管理水平很好的反馈出来。在人工智能化的建筑工程造价估算系统中，我们要把影响工程项目造价的人为因素、客观因素以及动态变化的因素都作为参数输入到系统中，保证建筑工程项目最终造价估算的准确性。 3人工智能技术在建筑工程造价估算中的应用研究 在建筑工程造价估算中人工智能技术具有很强的功能，人工智能技术可以对海量的数据进行分析和计算，人工智能技术在自我组织性功能和自我学习功能方面也具有很大的优势。在人工智能系统中把人工神经网络和遗传算法做好很好的融合，人工智能技术中的遗传算法和传统的算法相比，具有独特的功能，满足建筑工程造价估算算法的需要，提高了工程项目造价估算的准确率。 3.1基于人工智能技术的建筑工程造价估算模型建立 BP人工神经网络是一种常用的反向传播网络，BP人工神经网络模型包括输入输出层和隐藏层。在模型中的每一层的里面都有很多个节点，这些节点代表神经元。在BP人工神经网络模型的每一层内，节点与节点之间不相互连接，在相邻的层与层之间节点之间是相互连接的。信息在输入层进入系统内部，在系统内每个层之间是单向传播的，通过模型内部的各个层之后从输出层离开系统。BP人工神经网络模型如图1所示。 图1BP人工神经网络模型图 在BP人工神经网络模型中，每一层与层之间的节点时完全连接的，层与层之间的神经元按照二权连接的方式实现连接，在单独层的神经元与神经元之间没有连接。BP网络学习过程包括正向和反向两种传播方式。正向传播输出的误差值与预期的精度值相比，如果误差值小于设定的精度值，那么我们可以对各层神经元的权值沿着误差值的反向梯度进行修改，这样可以减小误差值，反复进行操作，如果网络中